चुकीचे उत्तर अपयश क्रमवारी | AI BENCHY

AI BENCHY 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

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)
#154	Qwen3.5-9B none	Qwen	14	4.6	4/21	1.89s
#91	GPT-5.5 none	OpenAI	11	6.4	10/21	1.89s
#61	Gemini 3.1 Flash Lite low	Google	9	7.2	12/21	1.89s
#123	MiMo-V2.5-Pro none	Xiaomi	11	5.5	6/21	1.78s
#147	GPT-4o-mini none	OpenAI	15	4.8	5/21	1.77s
#115	Qwen3.5-27B none	Qwen	12	5.7	7/21	1.68s
#48	Gemini 3 Flash Preview none	Google	8	7.4	13/21	1.65s
#157	Grok 4.1 Fast none	X AI	13	4.4	3/19	1.62s
#128	Qwen3.6 Flash none	Qwen	12	5.4	7/21	1.60s
#32	Gemini 3.5 Flash minimal	Google	5	7.7	14/21	1.57s
#148	GPT-5.4 Nano none	OpenAI	15	4.7	4/21	1.48s
#125	GPT-5.4 none	OpenAI	13	5.5	7/21	1.42s
#87	Gemini 3.1 Flash Lite minimal	Google	8	6.4	10/21	1.33s
#34	Qwen3.7 Max none	Qwen	7	7.7	14/21	1.30s
#136	Elephant Alpha medium	Openrouter	9	5.1	6/21	1.27s

←

1 9 10 11

→

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स