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 ↑.
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #76 | Kimi K2.5 none | Moonshot AI | 12 | 5.5 | 6/18 | 13.4s |
| #87 | Qwen3 Coder Next none | Qwen | 12 | 5.1 | 4/18 | 10.2s |
| #94 | MiMo-V2-Flash none | Xiaomi | 12 | 4.5 | 3/18 | 2.79s |
| #89 | GPT-4o-mini none | OpenAI | 13 | 4.9 | 4/18 | 2.00s |
| #91 | Mercury 2 none | Inception | 13 | 4.8 | 4/18 | 613ms |
| #95 | Grok 4.1 Fast none | X AI | 13 | 4.5 | 3/18 | 1.76s |
| #96 | GPT-5.4 Nano none | OpenAI | 13 | 4.5 | 2/18 | 1.40s |