| Anti-AI Tricks | 0/2 | 1.00 सर्व बेंचमार्क चाचण्यांमधील सरासरी गुण. क्रमांक: #25/27 ८% Google: Gemini 3 Flash Preview 10.00 Google: Gemini 3.1 Pro Preview 10.00 Google: Gemini 3 Pro Preview 10.00 Qwen: Qwen3.5 Plus 2026-02-15 10.00 OpenAI: GPT-5.2 10.00 Qwen: Qwen3 Coder Next 1.00 Anthropic: Claude Sonnet 4.6 1.00 1.00 10.00 | 10.00 सुसंगतता गुण रीपीट्समधील स्थिरता दाखवतो (10 = अतिशय सुसंगत, सतत चूक असली तरी). क्रमांक: #22/27 १९% Google: Gemini 3 Flash Preview 10.00 Google: Gemini 3.1 Pro Preview 10.00 Google: Gemini 3 Pro Preview 10.00 Qwen: Qwen3.5 Plus 2026-02-15 10.00 OpenAI: GPT-5.2 10.00 Qwen: Qwen3 Coder Next 10.00 Anthropic: Claude Opus 4.6 1.62 1.62 10.00 | 0.0% प्रति प्रयत्न पास दर = पास प्रयत्न / सर्व रीपीटमधील एकूण प्रयत्न. क्रमांक: #25/27 ८% Google: Gemini 3 Flash Preview 100.0% Google: Gemini 3.1 Pro Preview 100.0% Google: Gemini 3 Pro Preview 100.0% Qwen: Qwen3.5 Plus 2026-02-15 100.0% OpenAI: GPT-5.2 100.0% Qwen: Qwen3 Coder Next 0.0% Anthropic: Claude Sonnet 4.6 0.0% 0.0% 100.0% | 0 अस्थिर चाचण्यांत रीपीट्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल). क्रमांक: #22/27 १९% Google: Gemini 3 Flash Preview ० Google: Gemini 3.1 Pro Preview ० Google: Gemini 3 Pro Preview ० Qwen: Qwen3.5 Plus 2026-02-15 ० OpenAI: GPT-5.2 ० Qwen: Qwen3 Coder Next ० Anthropic: Claude Opus 4.6 २ ० २ | 1.00 अंतिम उत्तर बरोबर आहे की नाही यापासून स्वतंत्रपणे तर्काची स्पष्टता, कार्यक्षमता आणि सुसंगती मोजते. क्रमांक: #17/17 ०% OpenAI: gpt-oss-120b 10.00 Anthropic: Claude Opus 4.6 10.00 StepFun: Step 3.5 Flash 10.00 Anthropic: Claude Sonnet 4.6 9.83 MoonshotAI: Kimi K2.5 9.77 Qwen: Qwen3 Coder Next 1.00 1.00 10.00 | $0.00005 एकूण खर्च क्रमांक: #4/27 ८८% StepFun: Step 3.5 Flash $0.00000 Z.ai: GLM 4.7 Flash $0.00003 Xiaomi: MiMo-V2-Flash $0.00004 Qwen: Qwen3 Coder Next $0.00005 Qwen: Qwen3 Coder Next $0.00005 Anthropic: Claude Opus 4.6 $0.03036 $0.00000 $0.03036 |
| Data parsing and extraction | 1/2 | 5.50 सर्व बेंचमार्क चाचण्यांमधील सरासरी गुण. क्रमांक: #22/27 १९% Google: Gemini 3 Flash Preview 10.00 Google: Gemini 3.1 Pro Preview 10.00 Google: Gemini 3 Pro Preview 10.00 Qwen: Qwen3.5 Plus 2026-02-15 10.00 OpenAI: GPT-5.2 10.00 Qwen: Qwen3 Coder Next 5.50 Z.ai: GLM 4.7 Flash 0.50 0.50 10.00 | 10.00 सुसंगतता गुण रीपीट्समधील स्थिरता दाखवतो (10 = अतिशय सुसंगत, सतत चूक असली तरी). क्रमांक: #18/27 ३५% Google: Gemini 3 Flash Preview 10.00 Google: Gemini 3.1 Pro Preview 10.00 Google: Gemini 3 Pro Preview 10.00 Qwen: Qwen3.5 Plus 2026-02-15 10.00 OpenAI: GPT-5.2 10.00 Qwen: Qwen3 Coder Next 10.00 Z.ai: GLM 5 5.56 5.56 10.00 | 50.0% प्रति प्रयत्न पास दर = पास प्रयत्न / सर्व रीपीटमधील एकूण प्रयत्न. क्रमांक: #24/27 १२% Google: Gemini 3 Flash Preview 100.0% Google: Gemini 3.1 Pro Preview 100.0% Google: Gemini 3 Pro Preview 100.0% Qwen: Qwen3.5 Plus 2026-02-15 100.0% OpenAI: GPT-5.2 100.0% Qwen: Qwen3 Coder Next 50.0% Xiaomi: MiMo-V2-Flash 16.7% 0.0% 100.0% | 0 अस्थिर चाचण्यांत रीपीट्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल). क्रमांक: #18/27 ३५% Google: Gemini 3 Flash Preview ० Google: Gemini 3.1 Pro Preview ० Google: Gemini 3 Pro Preview ० Qwen: Qwen3.5 Plus 2026-02-15 ० OpenAI: GPT-5.2 ० Qwen: Qwen3 Coder Next ० Z.ai: GLM 5 १ ० १ | 4.00 अंतिम उत्तर बरोबर आहे की नाही यापासून स्वतंत्रपणे तर्काची स्पष्टता, कार्यक्षमता आणि सुसंगती मोजते. क्रमांक: #17/17 ०% OpenAI: gpt-oss-120b 10.00 Z.ai: GLM 4.7 Flash 9.87 Anthropic: Claude Sonnet 4.6 9.83 Anthropic: Claude Opus 4.6 9.83 Z.ai: GLM 5 9.80 Qwen: Qwen3 Coder Next 4.00 4.00 10.00 | $0.00105 एकूण खर्च क्रमांक: #6/27 ८१% StepFun: Step 3.5 Flash $0.00000 Xiaomi: MiMo-V2-Flash $0.00029 Xiaomi: MiMo-V2-Flash $0.00029 Z.ai: GLM 4.7 Flash $0.00050 OpenAI: gpt-oss-120b $0.00052 Qwen: Qwen3 Coder Next $0.00105 Anthropic: Claude Opus 4.6 $0.07755 $0.00000 $0.07755 |
| Domain specific | 1/3 | 4.00 सर्व बेंचमार्क चाचण्यांमधील सरासरी गुण. क्रमांक: #16/27 ४२% Google: Gemini 3 Flash Preview 10.00 Google: Gemini 3.1 Pro Preview 7.00 Google: Gemini 3 Flash Preview 7.00 Anthropic: Claude Sonnet 4.6 7.00 Z.ai: GLM 4.7 Flash 7.00 Qwen: Qwen3 Coder Next 4.00 Anthropic: Claude Sonnet 4.6 1.00 1.00 10.00 | 10.00 सुसंगतता गुण रीपीट्समधील स्थिरता दाखवतो (10 = अतिशय सुसंगत, सतत चूक असली तरी). क्रमांक: #12/27 ५८% Google: Gemini 3 Flash Preview 10.00 Google: Gemini 3.1 Pro Preview 10.00 Google: Gemini 3 Pro Preview 10.00 Google: Gemini 3 Flash Preview 10.00 Anthropic: Claude Sonnet 4.6 10.00 Qwen: Qwen3 Coder Next 10.00 Z.ai: GLM 5 4.41 4.41 10.00 | 33.3% प्रति प्रयत्न पास दर = पास प्रयत्न / सर्व रीपीटमधील एकूण प्रयत्न. क्रमांक: #20/27 २७% Google: Gemini 3 Flash Preview 100.0% Google: Gemini 3.1 Pro Preview 66.7% Google: Gemini 3 Flash Preview 66.7% Anthropic: Claude Sonnet 4.6 66.7% Z.ai: GLM 4.7 Flash 66.7% Qwen: Qwen3 Coder Next 33.3% Z.ai: GLM 5 0.0% 0.0% 100.0% | 0 अस्थिर चाचण्यांत रीपीट्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल). क्रमांक: #12/27 ५८% Google: Gemini 3 Flash Preview ० Google: Gemini 3.1 Pro Preview ० Google: Gemini 3 Pro Preview ० Google: Gemini 3 Flash Preview ० Anthropic: Claude Sonnet 4.6 ० Qwen: Qwen3 Coder Next ० Z.ai: GLM 5 २ ० २ | 5.00 अंतिम उत्तर बरोबर आहे की नाही यापासून स्वतंत्रपणे तर्काची स्पष्टता, कार्यक्षमता आणि सुसंगती मोजते. क्रमांक: #14/17 १९% Xiaomi: MiMo-V2-Flash 8.72 OpenAI: gpt-oss-120b 8.53 StepFun: Step 3.5 Flash 8.44 Z.ai: GLM 5 8.43 Z.ai: GLM 4.7 Flash 8.21 Qwen: Qwen3 Coder Next 5.00 Google: Gemini 3 Pro Preview 2.44 2.44 8.72 | $0.00010 एकूण खर्च क्रमांक: #4/27 ८८% StepFun: Step 3.5 Flash $0.00000 Z.ai: GLM 4.7 Flash $0.00005 Xiaomi: MiMo-V2-Flash $0.00008 Qwen: Qwen3 Coder Next $0.00010 Qwen: Qwen3 Coder Next $0.00010 Anthropic: Claude Sonnet 4.6 $0.64205 $0.00000 $0.64205 |
| Instructions following | 0/2 | 4.50 सर्व बेंचमार्क चाचण्यांमधील सरासरी गुण. क्रमांक: #24/27 १२% Google: Gemini 3 Flash Preview 10.00 Google: Gemini 3.1 Pro Preview 10.00 Anthropic: Claude Sonnet 4.6 10.00 OpenAI: gpt-oss-120b 10.00 Z.ai: GLM 5 10.00 Qwen: Qwen3 Coder Next 4.50 xAI: Grok 4.1 Fast 1.00 1.00 10.00 | 6.88 सुसंगतता गुण रीपीट्समधील स्थिरता दाखवतो (10 = अतिशय सुसंगत, सतत चूक असली तरी). क्रमांक: #20/27 २७% Google: Gemini 3 Flash Preview 10.00 Google: Gemini 3.1 Pro Preview 10.00 Google: Gemini 3 Pro Preview 10.00 OpenAI: GPT-5.2 10.00 Anthropic: Claude Sonnet 4.6 10.00 Qwen: Qwen3 Coder Next 6.88 Xiaomi: MiMo-V2-Flash 5.80 5.80 10.00 | 16.7% प्रति प्रयत्न पास दर = पास प्रयत्न / सर्व रीपीटमधील एकूण प्रयत्न. क्रमांक: #26/27 ४% Google: Gemini 3 Flash Preview 100.0% Google: Gemini 3.1 Pro Preview 100.0% Google: Gemini 3 Pro Preview 100.0% Qwen: Qwen3.5 Plus 2026-02-15 100.0% OpenAI: GPT-5.2 100.0% Qwen: Qwen3 Coder Next 16.7% xAI: Grok 4.1 Fast 0.0% 0.0% 100.0% | 1 अस्थिर चाचण्यांत रीपीट्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल). क्रमांक: #26/27 ४% Google: Gemini 3 Flash Preview ० Google: Gemini 3.1 Pro Preview ० Google: Gemini 3 Pro Preview ० Qwen: Qwen3.5 Plus 2026-02-15 ० OpenAI: GPT-5.2 ० Qwen: Qwen3 Coder Next १ Google: Gemini 3 Flash Preview १ ० १ | 7.50 अंतिम उत्तर बरोबर आहे की नाही यापासून स्वतंत्रपणे तर्काची स्पष्टता, कार्यक्षमता आणि सुसंगती मोजते. क्रमांक: #12/17 ३१% Anthropic: Claude Sonnet 4.6 10.00 Z.ai: GLM 5 9.75 StepFun: Step 3.5 Flash 9.67 OpenAI: gpt-oss-120b 9.50 Anthropic: Claude Opus 4.6 9.50 Qwen: Qwen3 Coder Next 7.50 xAI: Grok 4.1 Fast 3.25 3.25 10.00 | $0.00014 एकूण खर्च क्रमांक: #5/27 ८५% StepFun: Step 3.5 Flash $0.00000 Z.ai: GLM 4.7 Flash $0.00006 Xiaomi: MiMo-V2-Flash $0.00008 Qwen: Qwen3 Coder Next $0.00013 Qwen: Qwen3 Coder Next $0.00014 Google: Gemini 3.1 Pro Preview $0.03134 $0.00000 $0.03134 |
| Puzzle Solving | 0/3 | 1.00 सर्व बेंचमार्क चाचण्यांमधील सरासरी गुण. क्रमांक: #26/27 ४% Google: Gemini 3.1 Pro Preview 10.00 Google: Gemini 3 Pro Preview 10.00 Qwen: Qwen3.5 Plus 2026-02-15 10.00 Anthropic: Claude Sonnet 4.6 10.00 Z.ai: GLM 5 10.00 Qwen: Qwen3 Coder Next 1.00 Z.ai: GLM 4.7 Flash 1.00 1.00 10.00 | 7.28 सुसंगतता गुण रीपीट्समधील स्थिरता दाखवतो (10 = अतिशय सुसंगत, सतत चूक असली तरी). क्रमांक: #20/27 २७% Google: Gemini 3 Flash Preview 10.00 Google: Gemini 3.1 Pro Preview 10.00 Google: Gemini 3 Pro Preview 10.00 Qwen: Qwen3.5 Plus 2026-02-15 10.00 OpenAI: GPT-5.2 10.00 Qwen: Qwen3 Coder Next 7.28 MiniMax: MiniMax M2.5 4.79 4.79 10.00 | 11.1% प्रति प्रयत्न पास दर = पास प्रयत्न / सर्व रीपीटमधील एकूण प्रयत्न. क्रमांक: #21/27 २३% Google: Gemini 3 Flash Preview 100.0% Google: Gemini 3.1 Pro Preview 100.0% Google: Gemini 3 Pro Preview 100.0% Qwen: Qwen3.5 Plus 2026-02-15 100.0% Anthropic: Claude Sonnet 4.6 100.0% Qwen: Qwen3 Coder Next 11.1% OpenAI: GPT-4o-mini 0.0% 0.0% 100.0% | 1 अस्थिर चाचण्यांत रीपीट्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल). क्रमांक: #23/27 १५% Google: Gemini 3 Flash Preview ० Google: Gemini 3.1 Pro Preview ० Google: Gemini 3 Pro Preview ० Qwen: Qwen3.5 Plus 2026-02-15 ० OpenAI: GPT-5.2 ० Qwen: Qwen3 Coder Next १ OpenAI: GPT-5 Nano २ ० २ | 4.33 अंतिम उत्तर बरोबर आहे की नाही यापासून स्वतंत्रपणे तर्काची स्पष्टता, कार्यक्षमता आणि सुसंगती मोजते. क्रमांक: #17/17 ०% Z.ai: GLM 5 9.50 Anthropic: Claude Sonnet 4.6 9.44 Anthropic: Claude Opus 4.6 9.44 MoonshotAI: Kimi K2.5 9.26 StepFun: Step 3.5 Flash 9.22 Qwen: Qwen3 Coder Next 4.33 4.33 9.50 | $0.00058 एकूण खर्च क्रमांक: #5/27 ८५% StepFun: Step 3.5 Flash $0.00000 Z.ai: GLM 4.7 Flash $0.00008 OpenAI: GPT-4o-mini $0.00028 xAI: Grok 4.1 Fast $0.00053 Qwen: Qwen3 Coder Next $0.00058 Qwen: Qwen3.5 Plus 2026-02-15 $0.05508 $0.00000 $0.05508 |