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) |
|---|---|---|---|---|---|---|
| #77 | Claude Sonnet 4.6 none | Anthropic | 7.7 | 6.8 | 2/3 | 3.54s |
| #85 | Gemma 4 31B none | 7.7 | 6.5 | 2/3 | 3.22s | |
| #108 | Qwen3.5-Flash none | Qwen | 7.7 | 5.8 | 2/3 | 905ms |
| #117 | Qwen3.5-35B-A3B none | Qwen | 7.7 | 5.6 | 2/3 | 485ms |
| #118 | Qwen3.6 27B none | Qwen | 7.7 | 5.6 | 2/3 | 3.03s |
| #122 | GLM 4.7 Flash none | Z.ai | 7.7 | 5.5 | 2/3 | 744ms |
| #5 | Qwen3.7 Max medium | Qwen | 5.9 | 9.1 | 1/3 | 24.9s |
| #6 | GPT-5.5 low | OpenAI | 5.3 | 9.0 | 1/3 | 28.1s |
| #9 | GPT-5.5 medium | OpenAI | 5.3 | 8.8 | 1/3 | 164.1s |
| #10 | Claude Opus 4.8 medium | Anthropic | 5.3 | 8.7 | 1/3 | 14.2s |
| #12 | Gemini 3.1 Flash Lite Preview high | 5.3 | 8.6 | 1/3 | 127.6s | |
| #13 | Grok 4.20 Beta medium | X AI | 5.3 | 8.5 | 1/3 | 21.3s |
| #15 | GPT-5.3-Codex medium | OpenAI | 5.9 | 8.4 | 1/3 | 64.3s |
| #16 | Gemini 3 Flash Preview low | 5.3 | 8.4 | 1/3 | 8.05s | |
| #19 | Seed-2.0-Lite medium | Bytedance Seed | 5.9 | 8.2 | 1/3 | 88.7s |