| Anti-AI Tricks | 2/2 | 10.00 सर्व बेंचमार्क चाचण्यांमधील सरासरी गुण. क्रमांक: #6/27 ८१% 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 Z.ai: GLM 5 10.00 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: #7/27 ७७% 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 Z.ai: GLM 5 10.00 Anthropic: Claude Opus 4.6 1.62 1.62 10.00 | 100.0% प्रति प्रयत्न पास दर = पास प्रयत्न / सर्व रीपीटमधील एकूण प्रयत्न. क्रमांक: #6/27 ८१% 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% Z.ai: GLM 5 100.0% 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: #7/27 ७७% 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 Z.ai: GLM 5 ० Anthropic: Claude Opus 4.6 २ ० २ | 9.75 अंतिम उत्तर बरोबर आहे की नाही यापासून स्वतंत्रपणे तर्काची स्पष्टता, कार्यक्षमता आणि सुसंगती मोजते. क्रमांक: #6/17 ६९% 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 Z.ai: GLM 5 9.75 Qwen: Qwen3 Coder Next 1.00 1.00 10.00 | $0.00716 एकूण खर्च क्रमांक: #19/27 ३१% 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 Z.ai: GLM 5 $0.00716 Anthropic: Claude Opus 4.6 $0.03036 $0.00000 $0.03036 |
| Data parsing and extraction | 1/2 | 5.00 सर्व बेंचमार्क चाचण्यांमधील सरासरी गुण. क्रमांक: #24/27 १२% 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 Z.ai: GLM 5 5.00 Z.ai: GLM 4.7 Flash 0.50 0.50 10.00 | 5.56 सुसंगतता गुण रीपीट्समधील स्थिरता दाखवतो (10 = अतिशय सुसंगत, सतत चूक असली तरी). क्रमांक: #27/27 ०% 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 Z.ai: GLM 5 5.56 5.56 10.00 | 83.3% प्रति प्रयत्न पास दर = पास प्रयत्न / सर्व रीपीटमधील एकूण प्रयत्न. क्रमांक: #16/27 ४२% 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% Z.ai: GLM 5 83.3% Xiaomi: MiMo-V2-Flash 16.7% 0.0% 100.0% | 1 अस्थिर चाचण्यांत रीपीट्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल). क्रमांक: #20/27 २७% 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 Z.ai: GLM 5 १ ० १ | 9.80 अंतिम उत्तर बरोबर आहे की नाही यापासून स्वतंत्रपणे तर्काची स्पष्टता, कार्यक्षमता आणि सुसंगती मोजते. क्रमांक: #5/17 ७५% 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 | $0.01455 एकूण खर्च क्रमांक: #18/27 ३५% 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 Z.ai: GLM 5 $0.01455 Anthropic: Claude Opus 4.6 $0.07755 $0.00000 $0.07755 |
| Domain specific | 0/3 | 1.00 सर्व बेंचमार्क चाचण्यांमधील सरासरी गुण. क्रमांक: #20/27 २७% 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 Z.ai: GLM 5 1.00 Anthropic: Claude Sonnet 4.6 1.00 1.00 10.00 | 4.41 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 Google: Gemini 3 Flash Preview 10.00 Anthropic: Claude Sonnet 4.6 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: #15/27 ४६% 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% Z.ai: GLM 5 33.3% Z.ai: GLM 5 0.0% 0.0% 100.0% | 2 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 Google: Gemini 3 Flash Preview ० Anthropic: Claude Sonnet 4.6 ० Z.ai: GLM 5 २ ० २ | 8.43 अंतिम उत्तर बरोबर आहे की नाही यापासून स्वतंत्रपणे तर्काची स्पष्टता, कार्यक्षमता आणि सुसंगती मोजते. क्रमांक: #4/17 ८१% 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 Google: Gemini 3 Pro Preview 2.44 2.44 8.72 | $0.06348 एकूण खर्च क्रमांक: #20/27 २७% 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 Z.ai: GLM 5 $0.06348 Anthropic: Claude Sonnet 4.6 $0.64205 $0.00000 $0.64205 |
| Instructions following | 2/2 | 9.50 सर्व बेंचमार्क चाचण्यांमधील सरासरी गुण. क्रमांक: #10/27 ६५% 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 Z.ai: GLM 5 9.50 xAI: Grok 4.1 Fast 1.00 1.00 10.00 | 9.99 सुसंगतता गुण रीपीट्समधील स्थिरता दाखवतो (10 = अतिशय सुसंगत, सतत चूक असली तरी). क्रमांक: #16/27 ४२% 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 Z.ai: GLM 5 9.99 Xiaomi: MiMo-V2-Flash 5.80 5.80 10.00 | 100.0% प्रति प्रयत्न पास दर = पास प्रयत्न / सर्व रीपीटमधील एकूण प्रयत्न. क्रमांक: #7/27 ७७% 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% Z.ai: GLM 5 100.0% xAI: Grok 4.1 Fast 0.0% 0.0% 100.0% | 0 अस्थिर चाचण्यांत रीपीट्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल). क्रमांक: #7/27 ७७% 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 Z.ai: GLM 5 ० Google: Gemini 3 Flash Preview १ ० १ | 9.75 अंतिम उत्तर बरोबर आहे की नाही यापासून स्वतंत्रपणे तर्काची स्पष्टता, कार्यक्षमता आणि सुसंगती मोजते. क्रमांक: #2/17 ९४% 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 xAI: Grok 4.1 Fast 3.25 3.25 10.00 | $0.00754 एकूण खर्च क्रमांक: #19/27 ३१% 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 Z.ai: GLM 5 $0.00754 Google: Gemini 3.1 Pro Preview $0.03134 $0.00000 $0.03134 |
| Puzzle Solving | 3/3 | 10.00 सर्व बेंचमार्क चाचण्यांमधील सरासरी गुण. क्रमांक: #5/27 ८५% 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 Z.ai: GLM 4.7 Flash 1.00 1.00 10.00 | 10.00 सुसंगतता गुण रीपीट्समधील स्थिरता दाखवतो (10 = अतिशय सुसंगत, सतत चूक असली तरी). क्रमांक: #7/27 ७७% 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 Z.ai: GLM 5 10.00 MiniMax: MiniMax M2.5 4.79 4.79 10.00 | 100.0% प्रति प्रयत्न पास दर = पास प्रयत्न / सर्व रीपीटमधील एकूण प्रयत्न. क्रमांक: #6/27 ८१% 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% Z.ai: GLM 5 100.0% OpenAI: GPT-4o-mini 0.0% 0.0% 100.0% | 0 अस्थिर चाचण्यांत रीपीट्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल). क्रमांक: #7/27 ७७% 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 Z.ai: GLM 5 ० OpenAI: GPT-5 Nano २ ० २ | 9.50 अंतिम उत्तर बरोबर आहे की नाही यापासून स्वतंत्रपणे तर्काची स्पष्टता, कार्यक्षमता आणि सुसंगती मोजते. क्रमांक: #1/17 १००% 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 | $0.01469 एकूण खर्च क्रमांक: #18/27 ३५% 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 Z.ai: GLM 5 $0.01469 Qwen: Qwen3.5 Plus 2026-02-15 $0.05508 $0.00000 $0.05508 |