AI BENCHY
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY अपयशे

चुकीचे उत्तर 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

Mercury 2 15
क्रमांक मॉडेल कंपनी चुकीचे उत्तर संख्या स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#58 Step 3.5 Flash medium Stepfun 4 7.4 11/19 43.3s
#68 Seed-2.0-Mini medium Bytedance Seed 4 7.1 11/20 79.2s
#69 Claude Sonnet 4.6 none Anthropic 4 7.0 11/20 5.33s
#74 Laguna M.1 medium Poolside 4 6.9 12/19 14.4s
#75 Hunter Alpha medium OpenRouter 4 6.7 8/18 10.3s
#81 Grok 4.20 Multi Agent Beta medium X AI 4 6.6 8/18 9.80s
#87 Grok 4.1 Fast medium X AI 4 6.5 9/19 24.0s
#5 Qwen3.7 Max medium Qwen 3 9.0 17/20 13.8s
#8 GPT-5.5 low OpenAI 3 8.9 17/20 9.43s
#9 Gemini 3.5 Flash none Google 3 8.9 17/20 9.05s
#10 Claude Opus 4.7 none Anthropic 3 8.9 16/19 3.04s
#13 Gemini 3.1 Flash Lite Preview high Google 3 8.6 13/16 68.8s
#16 Qwen3.6 Plus Preview medium Qwen 3 8.2 16/19 15.2s
#18 GLM 5 medium Z.ai 3 8.2 14/20 33.4s
#19 Gemini 3 PRO Preview medium Google 3 8.1 15/20 9.06s

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स