AI BENCHY
तुलना करा चार्ट्स Paddhati
❤️ Made by XCS
Your ad here

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. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↑.

दाखवलेली मॉडेल्स

41

एकूण अपयशे

77

सर्वाधिक प्रभावित मॉडेल

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

सूचनांचे पालन केले नाही संख्या नुसार शीर्ष मॉडेल्स

सूचनांचे पालन केले नाही संख्या विरुद्ध सरासरी स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स