AI BENCHY श्रेणी
डोमेन-विशिष्ट क्रमवारी
डोमेन-विशिष्ट मध्ये कोणती AI मॉडेल्स सर्वोत्तम काम करतात, कोणती विश्वासार्ह राहतात आणि सर्वात मोठी दरी कुठे दिसते ते पाहा. क्रम लावा: बरोबर चाचण्या ↑.
| क्रमांक | मॉडेल | कंपनी | डोमेन-विशिष्ट स्कोअर | स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #146 | Laguna Xs.2 none | Poolside | 5.3 | 4.8 | 1/3 | 371ms |
| #150 | Qwen3 Coder Next medium | Qwen | 5.3 | 4.6 | 1/3 | 638ms |
| #151 | Trinity Large Preview none | Arcee AI | 5.3 | 4.6 | 1/3 | 877ms |
| #152 | MiMo-V2-Flash none | Xiaomi | 5.3 | 4.6 | 1/3 | 564ms |
| #155 | Mercury 2 none | Inception | 5.3 | 4.5 | 1/3 | 534ms |
| #157 | Grok 4.1 Fast none | X AI | 5.9 | 4.4 | 1/3 | 1.06s |
| #160 | LFM2-24B-A2B none | Liquid | 5.9 | 4.2 | 1/3 | 287ms |
| #2 | Gemini 3.5 Flash high | 7.6 | 9.6 | 2/3 | 14.1s | |
| #3 | Gemini 3.5 Flash low | 7.7 | 9.4 | 2/3 | 3.39s | |
| #4 | Gemini 3.1 Pro Preview medium | 7.7 | 9.4 | 2/3 | 32.7s | |
| #7 | Gemini 3.5 Flash medium | 7.7 | 9.0 | 2/3 | 5.24s | |
| #8 | Claude Opus 4.7 none | Anthropic | 7.7 | 8.9 | 2/3 | 1.19s |
| #11 | Claude Opus 4.7 medium | Anthropic | 7.7 | 8.7 | 2/3 | 1.17s |
| #20 | Gemini 3.5 Flash none | 7.6 | 8.1 | 2/3 | 10.6s | |
| #22 | Step 3.7 Flash medium | Stepfun | 7.7 | 8.0 | 2/3 | 48.3s |