Orodha ya Utatuzi wa mafumbo 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 Utatuzi wa mafumbo, ili uone udhaifu haraka.

Modeli zilizoonyeshwa

Jumla ya kushindwa

Modeli iliyoathirika zaidi

Sababu za kushindwa

Jibu lisilo sahihi85 Hakufuata maelekezo75 Muda umeisha6 Muundo wa ziada2 Hitilafu ya API1

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)
#76	Kimi K2.5 none	Moonshot AI	3	3.1	0/3	4.73s
#87	Qwen3 Coder Next none	Qwen	3	3.2	0/3	22.9s
#89	GPT-4o-mini none	OpenAI	3	3.7	0/3	1.30s
#91	Mercury 2 none	Inception	3	3.1	0/3	533ms
#94	MiMo-V2-Flash none	Xiaomi	3	3.6	0/3	1.38s
#95	Grok 4.1 Fast none	X AI	3	3.2	0/3	1.28s
#59	Qwen3.5-Flash none	Qwen	2	3.3	0/3	5.90s
#61	Seed-2.0-Lite none	Bytedance Seed	2	5.2	1/3	2.46s
#63	Qwen3.5-35B-A3B none	Qwen	2	3.9	0/3	1.34s
#70	Qwen3.5-122B-A10B none	Qwen	2	5.4	1/3	982ms
#78	Trinity Large Preview none	Arcee AI	2	5.4	1/3	3.30s
#85	Elephant none	Openrouter	2	3.3	0/3	849ms
#93	GLM 4.7 Flash medium	Z.ai	2	2.9	0/3	12.9s
#96	GPT-5.4 Nano none	OpenAI	2	3.7	0/3	1.29s
#11	Gemini 3.1 Flash Lite Preview high	Google	1	7.7	2/3	46.3s

1 2 3 4 5

→

Modeli bora kwa Idadi ya Jibu lisilo sahihi