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)
#142 Mistral Small 4 none Mistral 15 4.9 5/21 630ms
#155 Mercury 2 none Inception 16 4.5 4/21 653ms
#163 Granite 4.1 8B none IBM Granite 13 4.0 2/21 728ms
#162 Nemotron 3 Nano Omni 30b A3b Reasoning none NVIDIA 9 4.1 2/19 728ms
#160 LFM2-24B-A2B none Liquid 9 4.2 2/16 782ms
#146 Laguna Xs.2 none Poolside 8 4.8 5/19 806ms
#97 Gemini 2.5 Flash none Google 12 6.2 9/21 875ms
#90 Gemini 3.1 Flash Lite none Google 11 6.4 9/21 1.06s
#127 Grok 4.20 none X AI 10 5.4 6/18 1.11s
#144 GPT-5.4 Mini none OpenAI 13 4.9 5/21 1.13s
#106 Grok 4.20 Beta none X AI 10 5.8 6/18 1.19s
#58 Gemini 3.1 Flash Lite Preview none Google 7 7.2 12/21 1.21s
#137 Elephant Alpha none Openrouter 9 5.1 5/21 1.22s
#136 Elephant Alpha medium Openrouter 9 5.1 6/21 1.27s
#34 Qwen3.7 Max none Qwen 7 7.7 14/21 1.30s

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स