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.

Modeli zilizoonyeshwa

Jumla ya kushindwa

182

Modeli iliyoathirika zaidi

Sababu za kushindwa

Jibu lisilo sahihi182 Muda umeisha31 Muundo wa ziada8 Hakuna jibu2 Hitilafu ya API2

Kategoria

Mahususi kwa domeni182 Mbinu za kupinga AI165 Utatuzi wa mafumbo85 Ufuataji wa maagizo44 Mchanganyiko37 Uandishi wa msimbo28 Uchanganuzi na uchimbaji wa data19 Akili ya jumla10 Mwito wa zana2

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Majaribio sahihi	Muda wa majibu (wastani)
#16	GPT-5.4 medium	OpenAI	2	5.3	1/3	74.3s
#18	GLM 5 Turbo medium	Z.ai	2	2.9	0/3	71.1s
#22	Gemini 3.1 Flash Lite Preview low	Google	2	5.3	1/3	2.36s
#24	Gemma 4 26B A4B medium	Google	2	2.9	0/3	23.6s
#25	Grok 4.20 Beta medium	X AI	2	5.3	1/3	21.3s
#28	GPT-5.2 Chat none	OpenAI	2	5.3	1/3	17.8s
#29	Gemini 3.1 Flash Lite Preview none	Google	2	5.3	1/3	942ms
#30	Step 3.5 Flash medium	Stepfun	2	5.3	1/3	170.5s
#31	GLM 5V Turbo medium	Z.ai	2	5.3	1/3	38.1s
#38	GPT-5.4 Nano medium	OpenAI	2	5.9	1/3	38.2s
#41	MiMo-V2-Flash medium	Xiaomi	2	5.9	1/3	96.0s
#45	GPT-5 Mini medium	OpenAI	2	3.6	0/3	44.6s
#46	Kimi K2.5 medium	Moonshot AI	2	3.5	0/3	137.3s
#49	Qwen3.5 Plus 2026-02-15 none	Qwen	2	5.3	1/3	1.17s
#51	Nemotron 3 Super medium	NVIDIA	2	2.9	0/3	16.2s

←

1 2 3 4 5 6 7

→

Modeli bora kwa Idadi ya Jibu lisilo sahihi