AI BENCHY
Advertise here

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

श्रेणी

डोमेन-विशिष्ट श्रेणीत314 अँटी-एआय युक्त्या श्रेणीत245 कोडिंग श्रेणीत194 कोडी सोडवणे श्रेणीत147 सामान्य ज्ञान श्रेणीत130 सूचनांचे पालन श्रेणीत53 संयुक्त श्रेणीत52 डेटा पार्सिंग आणि निष्कर्षण श्रेणीत35 Samanya Buddhimatta श्रेणीत32 टूल कॉलिंग श्रेणीत2
क्रमांक मॉडेल कंपनी चुकीचे उत्तर संख्या स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#1 Gemini 3 Flash Preview medium Google 1 9.8 20/21 18.6s
#2 Gemini 3.5 Flash high Google 1 9.6 20/21 8.84s
#83 Step 3.5 Flash none Stepfun 1 6.6 6/12 39.0s
#3 Gemini 3.5 Flash low Google 2 9.4 19/21 3.27s
#4 Gemini 3.1 Pro Preview medium Google 2 9.4 19/21 20.1s
#7 Gemini 3.5 Flash medium Google 2 9.0 18/21 4.94s
#12 Gemini 3.1 Flash Lite Preview high Google 2 8.6 13/16 68.1s
#27 Gemma 4 31B medium Google 2 7.8 14/21 56.5s
#66 Qwen3.5-35B-A3B medium Qwen 2 7.1 11/21 72.6s
#93 Qwen3.6 Plus Preview medium Qwen 2 6.3 9/19 15.2s
#161 Qwen3.5-9B medium Qwen 2 4.2 3/21 82.2s
#5 Qwen3.7 Max medium Qwen 3 9.1 18/21 16.0s
#6 GPT-5.5 low OpenAI 3 9.0 18/21 9.76s
#8 Claude Opus 4.7 none Anthropic 3 8.9 16/19 3.02s
#10 Claude Opus 4.8 medium Anthropic 3 8.7 17/21 9.66s

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स