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

7

एकूण अपयशे

572

सर्वाधिक प्रभावित मॉडेल

Mercury 2 13

श्रेणी

डोमेन-विशिष्ट श्रेणीत182 अँटी-एआय युक्त्या श्रेणीत165 कोडी सोडवणे श्रेणीत85 सूचनांचे पालन श्रेणीत44 संयुक्त श्रेणीत37 कोडिंग श्रेणीत28 डेटा पार्सिंग आणि निष्कर्षण श्रेणीत19 Samanya Buddhimatta श्रेणीत10 टूल कॉलिंग श्रेणीत2
क्रमांक मॉडेल कंपनी चुकीचे उत्तर संख्या स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#8 Qwen3.5 Plus 2026-02-15 medium Qwen 2 8.5 14/18 46.6s
#10 Qwen3.5-27B medium Qwen 1 8.4 13/18 53.0s
#32 Qwen3.5-Flash medium Qwen 1 7.8 11/18 66.7s
#11 Gemini 3.1 Flash Lite Preview high Google 3 8.4 12/16 68.8s
#39 Seed-2.0-Mini medium Bytedance Seed 2 7.5 11/18 69.7s
#46 Kimi K2.5 medium Moonshot AI 4 7.0 9/18 72.4s
#97 Qwen3.5-9B medium Qwen 1 4.4 3/18 73.6s

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स