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

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

सूचनांचे पालन केले नाही संख्या नुसार शीर्ष मॉडेल्स

सूचनांचे पालन केले नाही संख्या विरुद्ध सरासरी स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स