AI BENCHY
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY अपयशे

चुकीचे उत्तर अपयशे

कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: अपयशांची संख्या ↑.

दाखवलेली मॉडेल्स

15

एकूण अपयशे

1204

सर्वाधिक प्रभावित मॉडेल

Gemini 3 Flash Preview 1
क्रमांक मॉडेल कंपनी चुकीचे उत्तर संख्या स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#11 Claude Opus 4.7 medium Anthropic 3 8.7 17/21 4.73s
#13 Grok 4.20 Beta medium X AI 3 8.5 14/18 9.75s
#17 GLM 5 medium Z.ai 3 8.3 15/21 33.5s
#20 Gemini 3.5 Flash none Google 3 8.1 15/21 9.93s
#33 Hy3 preview medium Tencent 3 7.7 14/21 16.3s
#35 Gemini 3 PRO Preview medium Google 3 7.6 14/21 9.05s
#37 Gemma 4 26B A4B medium Google 3 7.6 14/21 63.4s
#42 GPT-5.2 medium OpenAI 3 7.5 13/21 16.9s
#43 MiMo-V2.5-Pro medium Xiaomi 3 7.5 12/21 26.1s
#60 Kimi K2.6 medium Moonshot AI 3 7.2 12/21 71.7s
#67 MiniMax M3 medium Minimax 3 7.1 11/21 68.2s
#69 Claude Opus 4.6 medium Anthropic 3 7.0 12/21 25.9s
#82 Hy3 preview high Tencent 3 6.6 11/21 56.6s
#9 GPT-5.5 medium OpenAI 4 8.8 17/21 38.0s
#15 GPT-5.3-Codex medium OpenAI 4 8.4 15/21 16.2s

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स