AI BENCHY अपयशे
चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील.
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #1 | Gemini 3 Flash Preview medium | 1 | 9.8 | 19/20 | 16.7s | |
| #2 | Gemini 3.5 Flash high | 1 | 9.6 | 19/20 | 8.30s | |
| #32 | Step 3.5 Flash none | Stepfun | 1 | 7.8 | 9/12 | 39.0s |