Orodha ya Uandishi wa msimbo 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 Uandishi wa msimbo, ili uone udhaifu haraka.

Modeli zilizoonyeshwa

Jumla ya kushindwa

230

Modeli iliyoathirika zaidi

Qwen3.6 Flash 3

Sababu za kushindwa

Jibu lisilo sahihi230 Hitilafu ya API43 Muda umeisha23 Hakuna jibu18 Hakufuata maelekezo16 Muundo wa ziada12

Kategoria

Mahususi kwa domeni367 Mbinu za kupinga AI270 Uandishi wa msimbo230 Utatuzi wa mafumbo172 Maarifa ya jumla149 Mchanganyiko58 Ufuataji wa maagizo56 Akili ya jumla49 Uchanganuzi na uchimbaji wa data36 Mwito wa zana3

134/134

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#57	GPT-5.3 Chat none	OpenAI	2	5.6	$0.433	1/3	10.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.433 Muda wa majibu (wastani) 10.5s
#58	GPT-5.4 Nano medium	OpenAI	2	6.1	$0.107	1/3	19.1s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.107 Muda wa majibu (wastani) 19.1s
#64	Gemini 3 Flash Preview low	Google	2	5.8	$0.111	1/3	6.00s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.111 Muda wa majibu (wastani) 6.00s
#65	Grok 4.20 medium	X AI	2	6.3	$0.609	1/3	109.9s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.609 Muda wa majibu (wastani) 109.9s
#68	GLM 5V Turbo medium	Z.ai	2	6.0	$0.457	1/3	63.4s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.457 Muda wa majibu (wastani) 63.4s
#72	Qwen3.7 Plus none	Qwen	2	5.5	$0.023	1/3	2.15s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.023 Muda wa majibu (wastani) 2.15s
#73	GLM 5.2 none	Z.ai	2	3.7	$0.030	0/3	7.55s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.030 Muda wa majibu (wastani) 7.55s
#77	Laguna XS 2.1 medium	Poolside	2	5.5	$0.036	1/3	70.3s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.036 Muda wa majibu (wastani) 70.3s
#80	Gemini 3 Flash Preview none	Google	2	5.5	$0.025	1/3	1.80s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.025 Muda wa majibu (wastani) 1.80s
#81	Qwen3.7 Max none	Qwen	2	5.5	$0.054	1/3	1.35s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.054 Muda wa majibu (wastani) 1.35s
#83	Qwen3.5-Flash medium	Qwen	2	3.7	$0.080	0/3	58.9s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.080 Muda wa majibu (wastani) 58.9s
#89	MiMo-V2.5 medium	Xiaomi	2	6.2	$0.061	1/3	97.1s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.061 Muda wa majibu (wastani) 97.1s
#91	gpt-oss-120b medium	OpenAI	2	5.9	$0.013	1/3	38.4s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.013 Muda wa majibu (wastani) 38.4s
#92	GPT-5 Nano medium	OpenAI	2	7.0	$0.081	1/3	41.6s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.081 Muda wa majibu (wastani) 41.6s
#95	Gemini 3.1 Flash Lite Preview low	Google	2	5.5	$0.026	1/3	1.39s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.026 Muda wa majibu (wastani) 1.39s

←

1 2 3 4 9

→

Chuja miundo

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

Uandishi wa msimbo: Jibu lisilo sahihi

Chuja miundo

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