2026-05-22
- नवीन चाचणी केलेली मॉडेल्स: Qwen3.7 Max Qwen 3.7 Max साठी बेंचमार्क कव्हरेज जोडले.
- नवीन चाचण्या जोडल्या: C++ सोल्यूशनमध्ये बग शोधण्यावर केंद्रित असलेली नवीन Coding चाचणी श्रेणी जोडली.
AI BENCHY
बदल नोंद
दिनांकानुसार गटबद्ध केलेली उत्पादन आणि बेंचमार्क अद्यतनांची साधी नोंद. आम्ही येथे नव्याने चाचणी केलेली मॉडेल्स, पुन्हा चाचण्या, बेंचमार्क बदल आणि प्रसिद्ध केलेले UX/उत्पादन काम नोंदवतो.
2026-05-21
- नवीन चाचणी केलेली मॉडेल्स: Gemini 3.5 Flash, Grok Build 0.1 Google Gemini 3.5 Flash आणि xAI Grok Build 0.1 साठी बेंचमार्क कव्हरेज जोडले.
- बग दुरुस्ती: प्रोव्हायडर पडताळणीत reasoning आवश्यक ठरल्यानंतर xAI Grok Build 0.1 चा असमर्थित no-reasoning प्रकार काढला.
2026-05-08
- नवीन चाचणी केलेली मॉडेल्स: Gemini 3.1 Flash Lite Added benchmark coverage for Google Gemini 3.1 Flash Lite.
- बग दुरुस्ती: Reasoning chips and compare labels now recognize the minimal reasoning variant instead of falling back to auto.
- UX: Model pages now order sibling reasoning-variant chips from highest effort to lowest.
2026-05-06
- नवीन चाचणी केलेली मॉडेल्स: Cobuddy Baidu CoBuddy साठी benchmark coverage जोडले.
2026-05-01
- नवीन चाचणी केलेली मॉडेल्स: Grok 4.3, Granite 4.1 8B xAI Grok 4.3 आणि IBM Granite 4.1 8B साठी benchmark coverage जोडले.
2026-04-30
- नवीन चाचणी केलेली मॉडेल्स: Owl Alpha Owl Alpha साठी benchmark coverage जोडले.
2026-04-26
- UX: मोबाइलवरील तुलना ड्रॉपडाउनची जागा सुधारली, मॉडेल पेज लेआउट अधिक घट्ट केले, आणि रन इतिहास प्रति-मॉडेल शार्डमध्ये विभागला जेणेकरून पेज कमी ऐतिहासिक डेटा लोड करतील.
- बग दुरुस्ती: रन इतिहास आता त्याच suite मधील जवळपास-डुप्लिकेट री-टेस्ट गटबद्ध करतो आणि मॉडेल पृष्ठांवर सर्व सार्वजनिक रन थेट तुलना तक्त्यात दाखवतो.
2026-04-25
- नवीन वैशिष्ट्य: विश्वसनीयता स्कोअर टेलीमेट्री जोडली, त्यामुळे लक्ष्य API आणि रेट-लिमिट अपयशे चुकीच्या उत्तरांपासून वेगळी ट्रॅक होतात.
2026-04-24
- नवीन चाचणी केलेली मॉडेल्स: DeepSeek V4 Flash, DeepSeek V4 Pro DeepSeek V4 Flash आणि DeepSeek V4 Pro साठी benchmark coverage जोडले.
- नवीन चाचणी केलेली मॉडेल्स: GPT-5.5 OpenAI GPT-5.5 साठी benchmark coverage जोडले.
- बग दुरुस्ती: Changelog मधील model links आता canonical live model pages कडे जातात, आणि model pages आता reasoning variants मध्ये परस्पर links देतात.
2026-04-23
- नवीन चाचणी केलेली मॉडेल्स: inclusionai/ling-2.6-1t:free InclusionAI Ling 2.6 1T Free साठी benchmark coverage जोडले.
- नवीन वैशिष्ट्य: रन इतिहास - मॉडेल पृष्ठे आता ऐतिहासिक public runs आणि side-by-side run comparison तक्ता दाखवतात. (उदाहरण मॉडेल पृष्ठ)
- UX: लीडरबोर्ड आता URL-आधारित pagination, filters आणि ranking list मधून direct compare actions ला support करतो.
- बग दुरुस्ती: होमपेज search, filter counts आणि pagination state आता संपूर्ण dataset मध्ये सुसंगत राहतात.
- पुन्हा चाचणी: GLM 5.1 या मॉडेलसाठी पूर्ण benchmark suite पुन्हा चालवली आणि public run-history snapshot स्वच्छ केला.
- बग दुरुस्ती: ज्या मॉडेल्सचा प्रत्यक्ष retest झाला नाही त्यांना नवीन tested_at timestamp मिळू नये असे केले.
चेंजलॉग पृष्ठ तयार केले
हा चेंजलॉग लाँचनंतर सुरू झाला, त्यामुळे काही जुनी अद्यतने येथे नाहीत.
2026-02-15
- प्रारंभिक रिलीझ