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: प्रतिसाद वेळ (सरासरी) ↑.

दाखवलेली मॉडेल्स

15

एकूण अपयशे

1204

सर्वाधिक प्रभावित मॉडेल

Mistral Small 4 15
क्रमांक मॉडेल कंपनी चुकीचे उत्तर संख्या स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#7 Gemini 3.5 Flash medium Google 2 9.0 18/21 4.94s
#77 Claude Sonnet 4.6 none Anthropic 5 6.8 11/21 5.04s
#141 Nemotron 3 Super none NVIDIA 14 4.9 5/21 5.30s
#16 Gemini 3 Flash Preview low Google 5 8.4 16/21 5.76s
#102 Gemma 4 26B A4B none Google 10 6.0 8/21 5.91s
#63 GPT-5.3 Chat none OpenAI 7 7.2 12/21 6.34s
#107 Laguna Xs.2 medium Poolside 6 5.8 6/19 6.73s
#24 GPT-5.2 Chat none OpenAI 6 7.9 14/21 7.13s
#159 Ling-2.6-1T none Inclusionai 12 4.3 3/21 7.72s
#150 Qwen3 Coder Next medium Qwen 13 4.6 4/21 8.58s
#140 Qwen3 Coder Next none Qwen 14 4.9 5/21 8.62s
#2 Gemini 3.5 Flash high Google 1 9.6 20/21 8.84s
#35 Gemini 3 PRO Preview medium Google 3 7.6 14/21 9.05s
#138 Ling-2.6-flash none Inclusionai 9 5.0 6/21 9.34s
#132 Mistral Small 4 medium Mistral 12 5.3 5/21 9.40s

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स