AI BENCHY
Your ad 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

572

सर्वाधिक प्रभावित मॉडेल

Qwen3.5-9B 1
क्रमांक मॉडेल कंपनी चुकीचे उत्तर संख्या स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#97 Qwen3.5-9B medium Qwen 1 4.4 3/18 73.6s
#46 Kimi K2.5 medium Moonshot AI 4 7.0 9/18 72.4s
#39 Seed-2.0-Mini medium Bytedance Seed 2 7.5 11/18 69.7s
#11 Gemini 3.1 Flash Lite Preview high Google 3 8.4 12/16 68.8s
#32 Qwen3.5-Flash medium Qwen 1 7.8 11/18 66.7s
#10 Qwen3.5-27B medium Qwen 1 8.4 13/18 53.0s
#8 Qwen3.5 Plus 2026-02-15 medium Qwen 2 8.5 14/18 46.6s
#27 DeepSeek V3.2 medium DeepSeek 3 8.0 12/18 46.4s
#34 Kimi K2.6 medium Moonshot AI 2 7.7 11/18 45.2s
#43 Qwen3.5-35B-A3B medium Qwen 2 7.4 10/18 44.5s
#57 GPT-5 Nano medium OpenAI 7 6.3 7/18 44.1s
#71 MiniMax M2.5 medium Minimax 5 5.7 5/18 39.6s
#93 GLM 4.7 Flash medium Z.ai 8 4.6 4/18 32.3s
#19 Qwen3.5-122B-A10B medium Qwen 3 8.1 13/18 31.4s
#80 MiniMax M2.7 medium Minimax 5 5.3 4/18 31.1s

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स