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. Panga kwa: Idadi ya kushindwa ↑.

Modeli zilizoonyeshwa

Jumla ya kushindwa

Modeli iliyoathirika zaidi

Gemini 3.1 Flash Lite Preview 1

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)
#11	Gemini 3.1 Flash Lite Preview high	Google	1	7.7	2/3	46.3s
#15	Gemini 2.5 Flash medium	Google	1	7.7	2/3	3.94s
#17	Gemini 3.1 Flash Lite Preview medium	Google	1	7.7	2/3	3.58s
#21	Gemini 3 Flash Preview none	Google	1	7.7	2/3	1.06s
#27	DeepSeek V3.2 medium	DeepSeek	1	8.2	2/3	36.9s
#28	GPT-5.2 Chat none	OpenAI	1	7.7	2/3	4.42s
#30	Step 3.5 Flash medium	Stepfun	1	5.3	1/3	7.72s
#33	GLM 5.1 medium	Z.ai	1	8.2	2/3	23.8s
#34	Kimi K2.6 medium	Moonshot AI	1	5.0	0/3	25.6s
#35	MiMo-V2-Omni medium	Xiaomi	1	6.5	1/3	3.88s
#37	Claude Opus 4.6 medium	Anthropic	1	7.7	2/3	4.60s
#38	GPT-5.4 Nano medium	OpenAI	1	4.0	0/3	3.65s
#39	Seed-2.0-Mini medium	Bytedance Seed	1	8.2	2/3	25.9s
#41	MiMo-V2-Flash medium	Xiaomi	1	7.7	2/3	3.77s
#43	Qwen3.5-35B-A3B medium	Qwen	1	6.4	1/3	31.6s

1 2 3 4 5

→

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

Utatuzi wa mafumbo: 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