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: Majaribio sahihi ↓.

Modeli zilizoonyeshwa

Jumla ya kushindwa

314

Modeli iliyoathirika zaidi

Gemini 3.5 Flash 1

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)
#2	Gemini 3.5 Flash high	Google	1	7.6	2/3	14.1s
#3	Gemini 3.5 Flash low	Google	1	7.7	2/3	3.39s
#4	Gemini 3.1 Pro Preview medium	Google	1	7.7	2/3	32.7s
#7	Gemini 3.5 Flash medium	Google	1	7.7	2/3	5.24s
#8	Claude Opus 4.7 none	Anthropic	1	7.7	2/3	1.19s
#20	Gemini 3.5 Flash none	Google	1	7.6	2/3	10.6s
#22	Step 3.7 Flash medium	Stepfun	1	7.7	2/3	48.3s
#27	Gemma 4 31B medium	Google	1	7.7	2/3	38.5s
#34	Qwen3.7 Max none	Qwen	1	7.7	2/3	975ms
#48	Gemini 3 Flash Preview none	Google	1	7.7	2/3	963ms
#74	Qwen3.6 Max Preview none	Qwen	1	7.7	2/3	1.22s
#77	Claude Sonnet 4.6 none	Anthropic	1	7.7	2/3	3.54s
#85	Gemma 4 31B none	Google	1	7.7	2/3	3.22s
#108	Qwen3.5-Flash none	Qwen	1	7.7	2/3	905ms
#117	Qwen3.5-35B-A3B none	Qwen	1	7.7	2/3	485ms

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