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: प्रतिसाद वेळ (सरासरी) ↓.

दाखवलेली मॉडेल्स

15

एकूण अपयशे

1204

सर्वाधिक प्रभावित मॉडेल

Kimi K2.5 5
क्रमांक मॉडेल कंपनी चुकीचे उत्तर संख्या स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#124 Kimi K2.6 none Moonshot AI 11 5.5 7/21 13.3s
#135 Kimi K2.5 none Moonshot AI 15 5.2 6/21 13.2s
#156 Hy3 preview none Tencent 8 4.4 4/21 12.9s
#113 DeepSeek V4 Pro none DeepSeek 10 5.7 7/21 12.4s
#70 GPT-5.4 Nano medium OpenAI 8 7.0 11/21 12.0s
#111 Owl Alpha medium Openrouter 10 5.7 8/21 11.9s
#79 Hunter Alpha medium OpenRouter 4 6.7 8/18 10.3s
#20 Gemini 3.5 Flash none Google 3 8.1 15/21 9.93s
#121 Owl Alpha none Openrouter 10 5.5 7/21 9.88s
#6 GPT-5.5 low OpenAI 3 9.0 18/21 9.76s
#13 Grok 4.20 Beta medium X AI 3 8.5 14/18 9.75s
#84 Grok 4.20 Multi Agent Beta medium X AI 4 6.6 8/18 9.69s
#10 Claude Opus 4.8 medium Anthropic 3 8.7 17/21 9.66s
#132 Mistral Small 4 medium Mistral 12 5.3 5/21 9.40s
#138 Ling-2.6-flash none Inclusionai 9 5.0 6/21 9.34s

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स