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: स्कोअर ↓.

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
#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
#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
#7	Gemini 3.5 Flash medium	Google	2	9.0	18/21	4.94s
#8	Claude Opus 4.7 none	Anthropic	3	8.9	16/19	3.02s
#9	GPT-5.5 medium	OpenAI	4	8.8	17/21	38.0s
#10	Claude Opus 4.8 medium	Anthropic	3	8.7	17/21	9.66s
#11	Claude Opus 4.7 medium	Anthropic	3	8.7	17/21	4.73s
#12	Gemini 3.1 Flash Lite Preview high	Google	2	8.6	13/16	68.1s
#13	Grok 4.20 Beta medium	X AI	3	8.5	14/18	9.75s
#14	Qwen3.6 Max Preview medium	Qwen	5	8.5	16/21	59.6s
#15	GPT-5.3-Codex medium	OpenAI	4	8.4	15/21	16.2s

1 2 11

→

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स