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: प्रतिसाद वेळ (सरासरी) ↓.
अयशस्वी होण्याची कारणे
| क्रमांक | मॉडेल | कंपनी | सामान्य ज्ञान स्कोअर | स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #72 | GPT-5.5 none | OpenAI | 3.0 | 6.7 | 0/1 | 5.01s |
| #53 | GPT-5.4 Nano medium | OpenAI | 3.0 | 7.3 | 0/1 | 4.81s |
| #61 | Claude Sonnet 4.6 none | Anthropic | 3.0 | 7.2 | 0/1 | 4.67s |
| #46 | GPT-5.3 Chat none | OpenAI | 3.0 | 7.6 | 0/1 | 4.38s |
| #94 | Qwen3.6 27B none | Qwen | 3.0 | 5.8 | 0/1 | 4.03s |
| #112 | Kimi K2.5 none | Moonshot AI | 3.0 | 5.4 | 0/1 | 3.90s |
| #128 | MiMo-V2.5 none | Xiaomi | 3.0 | 4.9 | 0/1 | 3.89s |
| #78 | GLM 5 none | Z.ai | 3.0 | 6.5 | 0/1 | 3.62s |
| #27 | Gemini 3.1 Flash Lite medium | 3.0 | 7.9 | 0/1 | 3.08s | |
| #120 | DeepSeek V4 Flash none | DeepSeek | 3.0 | 5.2 | 0/1 | 3.07s |
| #25 | Gemini 2.5 Flash medium | 3.0 | 7.9 | 0/1 | 2.76s | |
| #7 | Gemini 3 Flash Preview low | 10.0 | 8.8 | 1/1 | 2.75s | |
| #133 | HY3 Preview none | Tencent | 3.0 | 4.6 | 0/1 | 2.71s |
| #23 | Gemini 3.1 Flash Lite Preview medium | 3.0 | 8.0 | 0/1 | 2.68s | |
| #80 | Mercury 2 medium | Inception | 3.0 | 6.3 | 0/1 | 2.58s |