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.

दाखवलेली मॉडेल्स

15

एकूण अपयशे

1092

सर्वाधिक प्रभावित मॉडेल

श्रेणी

डोमेन-विशिष्ट श्रेणीत298 अँटी-एआय युक्त्या श्रेणीत235 कोडी सोडवणे श्रेणीत148 सामान्य ज्ञान श्रेणीत127 कोडिंग श्रेणीत120 सूचनांचे पालन श्रेणीत52 संयुक्त श्रेणीत51 डेटा पार्सिंग आणि निष्कर्षण श्रेणीत32 Samanya Buddhimatta श्रेणीत27 टूल कॉलिंग श्रेणीत2

क्रमांक	मॉडेल	कंपनी	चुकीचे उत्तर संख्या	स्कोअर	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#22	Hy3 preview high	Tencent	3	8.0	16/20	56.8s
#25	Qwen3.5-27B medium	Qwen	3	7.9	13/20	60.8s
#40	MiMo-V2.5-Pro medium	Xiaomi	3	7.6	12/20	21.8s
#46	Claude Sonnet 4.6 medium	Anthropic	3	7.6	13/20	15.7s
#48	Gemini 3.1 Flash Lite high	Google	3	7.5	11/18	62.0s
#54	Kimi K2.6 medium	Moonshot AI	3	7.4	12/20	54.1s
#57	GPT-5.2 medium	OpenAI	3	7.4	12/20	16.4s
#63	Claude Opus 4.6 medium	Anthropic	3	7.2	12/20	25.4s
#70	Qwen3.5-35B-A3B medium	Qwen	3	7.0	10/20	69.4s
#151	Qwen3.5-9B medium	Qwen	3	4.2	3/20	80.1s
#3	Gemini 3.5 Flash low	Google	2	9.3	18/20	2.98s
#4	Gemini 3.1 Pro Preview medium	Google	2	9.3	18/20	20.8s
#6	Gemini 3.5 Flash medium	Google	2	9.0	17/20	4.29s
#7	Claude Opus 4.7 medium	Anthropic	2	8.9	17/20	4.50s
#23	Gemma 4 31B medium	Google	2	8.0	14/20	35.5s

←

1 9 10 11

→

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स