Orodha ya Mahususi kwa domeni 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 Mahususi kwa domeni, ili uone udhaifu haraka. Panga kwa: Muda wa majibu (wastani) ↓.

Modeli zilizoonyeshwa

Jumla ya kushindwa

314

Modeli iliyoathirika zaidi

MiniMax M2.5 2

Sababu za kushindwa

Jibu lisilo sahihi314 Muda umeisha34 Muundo wa ziada12 Hitilafu ya API6 Hakuna jibu5 Hakufuata maelekezo1

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)
#129	MiniMax M2.5 medium	Minimax	2	2.9	0/3	237.3s
#103	DeepSeek V4 Pro high	DeepSeek	1	2.9	0/3	205.7s
#94	GPT-5 Nano medium	OpenAI	1	5.2	1/3	204.0s
#38	Grok 4.3 medium	X AI	2	5.3	1/3	181.7s
#158	GLM 4.7 Flash medium	Z.ai	2	3.5	0/3	174.6s
#62	Step 3.5 Flash medium	Stepfun	2	5.3	1/3	170.5s
#9	GPT-5.5 medium	OpenAI	2	5.3	1/3	164.1s
#47	Grok Build 0.1 medium	X AI	1	5.3	1/3	158.0s
#71	Step 3.7 Flash high	Stepfun	2	4.1	0/3	149.6s
#49	Qwen3.5-Flash medium	Qwen	1	5.3	1/3	146.5s
#53	Gemini 3.1 Flash Lite high	Google	3	3.6	0/3	139.9s
#76	Kimi K2.5 medium	Moonshot AI	2	3.5	0/3	137.3s
#119	Cobuddy medium	Baidu	3	2.9	0/3	128.2s
#12	Gemini 3.1 Flash Lite Preview high	Google	2	5.3	1/3	127.6s
#86	Grok 4.1 Fast medium	X AI	1	5.8	1/3	121.8s

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

Mahususi kwa domeni: 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