AI BENCHY श्रेणी
सामान्य ज्ञान क्रमवारी
सामान्य ज्ञान मध्ये कोणती AI मॉडेल्स सर्वोत्तम काम करतात, कोणती विश्वासार्ह राहतात आणि सर्वात मोठी दरी कुठे दिसते ते पाहा. क्रम लावा: बरोबर चाचण्या ↑.
अयशस्वी होण्याची कारणे
| क्रमांक | मॉडेल | कंपनी | सामान्य ज्ञान स्कोअर | स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #22 | HY3 Preview high | Tencent | 3.0 | 8.0 | 0/1 | 47.7s |
| #23 | Gemini 3.1 Flash Lite Preview medium | 3.0 | 8.0 | 0/1 | 2.68s | |
| #24 | Grok 4.3 medium | X AI | 3.0 | 8.0 | 0/1 | 44.5s |
| #25 | Gemini 2.5 Flash medium | 3.0 | 7.9 | 0/1 | 2.76s | |
| #26 | GPT-5.4 medium | OpenAI | 3.0 | 7.9 | 0/1 | 14.0s |
| #27 | Gemini 3.1 Flash Lite medium | 3.0 | 7.9 | 0/1 | 3.08s | |
| #28 | Qwen3.6 Plus medium | Qwen | 3.0 | 7.9 | 0/1 | 47.5s |
| #29 | Gemini 3 Flash Preview none | 3.0 | 7.9 | 0/1 | 1.07s | |
| #30 | Gemini 3.1 Flash Lite Preview low | 3.0 | 7.9 | 0/1 | 1.35s | |
| #31 | Qwen3.5-122B-A10B medium | Qwen | 3.0 | 7.9 | 0/1 | 52.9s |
| #33 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 3.0 | 7.8 | 0/1 | 92.6s |
| #34 | HY3 Preview medium | Tencent | 3.0 | 7.8 | 0/1 | 39.9s |
| #35 | Claude Sonnet 4.6 medium | Anthropic | 3.0 | 7.8 | 0/1 | 30.1s |
| #36 | Step 3.5 Flash none | Stepfun | 3.0 | 7.8 | 0/1 | 114.1s |
| #37 | MiMo-V2-Pro medium | Xiaomi | 3.0 | 7.7 | 0/1 | 82.7s |