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) |
|---|---|---|---|---|---|---|
| #44 | Gemini 3.1 Flash Lite medium | 2.9 | 7.5 | 0/3 | 3.16s | |
| #45 | GPT-5.4 Mini medium | OpenAI | 4.1 | 7.5 | 0/3 | 65.3s |
| #52 | Claude Sonnet 4.6 medium | Anthropic | 2.9 | 7.4 | 0/3 | 0ms |
| #53 | Gemini 3.1 Flash Lite high | 3.6 | 7.3 | 0/3 | 139.9s | |
| #54 | GPT-5 Mini medium | OpenAI | 3.6 | 7.3 | 0/3 | 44.6s |
| #63 | GPT-5.3 Chat none | OpenAI | 3.5 | 7.2 | 0/3 | 13.0s |
| #66 | Qwen3.5-35B-A3B medium | Qwen | 4.1 | 7.1 | 0/3 | 88.3s |
| #69 | Claude Opus 4.6 medium | Anthropic | 3.0 | 7.0 | 0/3 | 83.4s |
| #71 | Step 3.7 Flash high | Stepfun | 4.1 | 7.0 | 0/3 | 149.6s |
| #72 | DeepSeek V3.2 medium | DeepSeek | 2.9 | 7.0 | 0/3 | 24.3s |
| #73 | Seed-2.0-Mini medium | Bytedance Seed | 3.0 | 6.9 | 0/3 | 0ms |
| #75 | Ring-2.6-1T medium | Inclusionai | 3.5 | 6.9 | 0/3 | 64.9s |
| #76 | Kimi K2.5 medium | Moonshot AI | 3.5 | 6.8 | 0/3 | 137.3s |
| #78 | Qwen3.6 27B medium | Qwen | 2.9 | 6.8 | 0/3 | 73.4s |
| #79 | Hunter Alpha medium | OpenRouter | 3.0 | 6.7 | 0/3 | 10.5s |