AI BENCHY
तुलना करा चार्ट्स Paddhati
❤️ Made by XCS
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY अपयशे

सूचनांचे पालन केले नाही अपयशे

कोणत्या AI मॉडेल्सना सूचनांचे पालन केले नाही सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील.

दाखवलेली मॉडेल्स

41

एकूण अपयशे

77

सर्वाधिक प्रभावित मॉडेल

Qwen3 Coder Next 5
क्रमांक मॉडेल कंपनी सूचनांचे पालन केले नाही संख्या सरासरी स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#50 Qwen3 Coder Next medium Qwen 5 3.5 3/16 12.5s
#32 GPT-5 Mini medium OpenAI 4 6.0 8/16 25.1s
#36 Mercury 2 medium Inception 4 5.3 7/16 2.36s
#39 gpt-oss-120b medium OpenAI 4 5.1 7/16 16.7s
#13 Step 3.5 Flash medium Stepfun 3 7.4 10/16 29.1s
#27 GPT-5.2 medium OpenAI 3 6.5 10/16 15.3s
#30 Grok 4.1 Fast medium X AI 3 6.2 9/16 26.3s
#34 GPT-5 Nano medium OpenAI 3 5.5 7/16 47.9s
#43 MiniMax M2.5 medium Minimax 3 4.7 5/16 43.0s
#3 GPT-5.3-Codex medium OpenAI 2 8.4 12/16 16.6s
#7 Qwen3.5-27B medium Qwen 2 8.2 12/16 52.1s
#9 GPT-5.4 medium OpenAI 2 8.0 12/16 20.1s
#19 GPT-5.3 Chat none OpenAI 2 7.3 10/16 5.96s
#22 Gemini 3.1 Flash Lite Preview none Google 2 7.1 10/16 1.33s
#28 Kimi K2.5 medium Moonshot AI 2 6.4 9/16 69.8s
#41 Qwen3.5-27B none Qwen 2 4.9 5/16 1.75s
#42 Qwen3.5-35B-A3B none Qwen 2 4.7 6/16 4.10s
#45 Trinity Large Preview none Arcee AI 2 4.2 5/16 3.15s
#49 GLM 4.7 Flash none Z.ai 2 3.9 4/16 2.99s
#52 GLM 4.7 Flash medium Z.ai 2 3.1 4/16 36.8s
#53 Grok 4.1 Fast none X AI 2 2.9 3/16 1.90s
#55 LFM2-24B-A2B none Liquid 2 2.6 1/16 811ms
#8 Gemini 3.1 Flash Lite Preview high Google 1 8.2 12/16 68.8s
#12 Gemini 3.1 Flash Lite Preview medium Google 1 7.5 11/16 3.83s
#14 GLM 5 medium Z.ai 1 7.4 11/16 16.2s
#15 GPT-5.2 Chat none OpenAI 1 7.4 11/16 7.03s
#16 Gemini 2.5 Flash medium Google 1 7.4 11/16 12.4s
#17 Gemini 3.1 Flash Lite Preview low Google 1 7.3 11/16 3.36s
#18 DeepSeek V3.2 medium DeepSeek 1 7.3 11/16 39.5s
#21 MiMo-V2-Flash medium Xiaomi 1 7.2 11/16 25.3s
#23 Seed-2.0-Mini medium Bytedance Seed 1 6.9 10/16 65.1s
#24 Qwen3.5-Flash medium Qwen 1 6.9 10/16 70.8s
#25 Claude Sonnet 4.6 none Anthropic 1 6.8 10/16 5.57s
#37 Qwen3.5-Flash none Qwen 1 5.2 7/16 3.54s
#38 Gemini 2.5 Flash none Google 1 5.2 6/16 923ms
#40 Qwen3.5-122B-A10B none Qwen 1 5.0 6/16 3.72s
#44 GPT-5.4 none OpenAI 1 4.5 6/16 1.48s
#47 GPT-4o-mini none OpenAI 1 4.0 4/16 2.07s
#48 Qwen3 Coder Next none Qwen 1 4.0 4/16 11.7s
#51 Mercury 2 none Inception 1 3.4 4/16 596ms
#54 MiMo-V2-Flash none Xiaomi 1 2.9 3/16 2.97s

सूचनांचे पालन केले नाही संख्या नुसार शीर्ष मॉडेल्स

सूचनांचे पालन केले नाही संख्या विरुद्ध सरासरी स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स