Orodha ya Mbinu za kupinga AI x Jibu lisilo sahihi

Kushindwa kwa kategoria za AI BENCHY

Ona ni modeli gani za AI zina uwezekano mkubwa wa kupata Jibu lisilo sahihi katika Mbinu za kupinga AI, ili uone udhaifu haraka. Panga kwa: Majaribio sahihi ↓.

Modeli zilizoonyeshwa

Jumla ya kushindwa

245

Modeli iliyoathirika zaidi

Claude Opus 4.7 1

Sababu za kushindwa

Jibu lisilo sahihi245 Hakufuata maelekezo30 Muundo wa ziada14 Hitilafu ya API13 Muda umeisha4 Hakuna jibu2

Kategoria

Mahususi kwa domeni314 Mbinu za kupinga AI245 Uandishi wa msimbo194 Utatuzi wa mafumbo147 Maarifa ya jumla130 Ufuataji wa maagizo53 Mchanganyiko52 Uchanganuzi na uchimbaji wa data35 Akili ya jumla32 Mwito wa zana2

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Majaribio sahihi	Muda wa majibu (wastani)
#8	Claude Opus 4.7 none	Anthropic	1	8.3	3/4	2.12s
#11	Claude Opus 4.7 medium	Anthropic	1	8.3	3/4	1.85s
#13	Grok 4.20 Beta medium	X AI	1	8.7	3/4	3.16s
#15	GPT-5.3-Codex medium	OpenAI	1	8.7	3/4	4.16s
#19	Seed-2.0-Lite medium	Bytedance Seed	1	8.3	3/4	18.0s
#21	GPT-5.4 medium	OpenAI	1	8.3	3/4	4.11s
#24	GPT-5.2 Chat none	OpenAI	1	8.7	3/4	3.40s
#25	Qwen3.5 Plus 2026-02-15 medium	Qwen	1	8.2	3/4	45.8s
#28	Gemini 2.5 Flash medium	Google	1	8.4	3/4	6.30s
#31	DeepSeek V4 Flash high	DeepSeek	1	8.3	3/4	28.5s
#45	GPT-5.4 Mini medium	OpenAI	1	8.6	3/4	4.05s
#48	Gemini 3 Flash Preview none	Google	1	8.3	3/4	1.25s
#50	Gemini 3.1 Flash Lite Preview low	Google	1	8.3	3/4	2.12s
#53	Gemini 3.1 Flash Lite high	Google	1	8.7	3/4	37.2s
#57	Step 3.7 Flash low	Stepfun	1	8.7	3/4	4.02s

Modeli bora kwa Idadi ya Jibu lisilo sahihi

Idadi ya Jibu lisilo sahihi dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa

Mbinu za kupinga AI: Jibu lisilo sahihi

Modeli bora kwa Idadi ya Jibu lisilo sahihi

Idadi ya Jibu lisilo sahihi dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa