डोमेन-विशिष्ट मॉडेल क्रमवारी | AI BENCHY

AI BENCHY श्रेणी

डोमेन-विशिष्ट मध्ये कोणती AI मॉडेल्स सर्वोत्तम काम करतात, कोणती विश्वासार्ह राहतात आणि सर्वात मोठी दरी कुठे दिसते ते पाहा. क्रम लावा: मेट्रिक ↑.

दाखवलेली मॉडेल्स

15

सरासरी डोमेन-विशिष्ट स्कोअर

4.8

सर्वोत्तम मॉडेल

GLM 5 Turbo 2.9

अयशस्वी होण्याची कारणे

अयशस्वी होण्याचे कारण चुकीचे उत्तर सह314 अयशस्वी होण्याचे कारण वेळ संपला सह34 अयशस्वी होण्याचे कारण अतिरिक्त फॉरमॅटिंग सह12 अयशस्वी होण्याचे कारण API त्रुटी सह6 अयशस्वी होण्याचे कारण उत्तर नाही सह5 अयशस्वी होण्याचे कारण सूचनांचे पालन केले नाही सह1

क्रमांक	मॉडेल	कंपनी	डोमेन-विशिष्ट स्कोअर	स्कोअर	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#81	Mercury 2 medium	Inception	2.9	6.6	0/3	6.48s
#84	Grok 4.20 Multi Agent Beta medium	X AI	2.9	6.6	0/3	24.7s
#87	Gemini 3.1 Flash Lite minimal	Google	2.9	6.4	0/3	1.02s
#90	Gemini 3.1 Flash Lite none	Google	2.9	6.4	0/3	762ms
#91	GPT-5.5 none	OpenAI	2.9	6.4	0/3	1.31s
#103	DeepSeek V4 Pro high	DeepSeek	2.9	6.0	0/3	205.7s
#112	GLM 5.1 none	Z.ai	2.9	5.7	0/3	1.99s
#133	DeepSeek V3.2 none	DeepSeek	2.9	5.2	0/3	4.17s
#149	Nemotron 3 Nano Omni 30b A3b Reasoning medium	NVIDIA	2.9	4.6	0/3	56.7s
#40	Gemini 3.1 Flash Lite Preview medium	Google	3.0	7.5	0/3	4.21s
#69	Claude Opus 4.6 medium	Anthropic	3.0	7.0	0/3	83.4s
#73	Seed-2.0-Mini medium	Bytedance Seed	3.0	6.9	0/3	0ms
#79	Hunter Alpha medium	OpenRouter	3.0	6.7	0/3	10.5s
#80	Mimo V2 Omni medium	Xiaomi	3.0	6.7	0/3	47.9s
#88	Qwen3.7 Plus none	Qwen	3.0	6.4	0/3	868ms

डोमेन-विशिष्ट स्कोअर नुसार शीर्ष मॉडेल्स

डोमेन-विशिष्ट स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स