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: Majaribio sahihi ↓.

Modeli zilizoonyeshwa

Jumla ya kushindwa

147

Modeli iliyoathirika zaidi

Gemini 3.5 Flash 1

Sababu za kushindwa

Jibu lisilo sahihi147 Hakufuata maelekezo78 Hitilafu ya API13 Muda umeisha5 Muundo wa ziada5 Hakuna jibu1

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)
#7	Gemini 3.5 Flash medium	Google	1	7.7	2/3	2.38s
#24	GPT-5.2 Chat none	OpenAI	1	7.7	2/3	4.10s
#28	Gemini 2.5 Flash medium	Google	1	7.7	2/3	3.18s
#36	Qwen3.5 Plus 2026-04-20 medium	Qwen	1	8.2	2/3	17.7s
#40	Gemini 3.1 Flash Lite Preview medium	Google	1	7.7	2/3	5.30s
#44	Gemini 3.1 Flash Lite medium	Google	1	7.6	2/3	1.95s
#46	Qwen3.6 35B A3B medium	Qwen	1	8.0	2/3	5.95s
#47	Grok Build 0.1 medium	X AI	1	7.7	2/3	18.3s
#48	Gemini 3 Flash Preview none	Google	1	7.7	2/3	1.05s
#55	GLM 5.1 medium	Z.ai	1	8.2	2/3	31.6s
#59	GLM 5V Turbo medium	Z.ai	1	7.7	2/3	10.2s
#64	MiMo-V2-Flash medium	Xiaomi	1	7.7	2/3	3.87s
#65	Grok 4.20 medium	X AI	1	7.7	2/3	6.22s
#67	MiniMax M3 medium	Minimax	1	7.9	2/3	49.9s
#69	Claude Opus 4.6 medium	Anthropic	1	7.7	2/3	4.71s

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