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

147

Modeli iliyoathirika zaidi

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)
#156	Hy3 preview none	Tencent	2	3.1	0/3	4.56s
#158	GLM 4.7 Flash medium	Z.ai	2	2.9	0/3	12.9s
#159	Ling-2.6-1T none	Inclusionai	2	3.1	0/3	5.36s
#160	LFM2-24B-A2B none	Liquid	2	3.8	0/3	1.78s
#163	Granite 4.1 8B none	IBM Granite	2	3.2	0/3	608ms
#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
#38	Grok 4.3 medium	X AI	1	5.9	1/3	22.5s
#40	Gemini 3.1 Flash Lite Preview medium	Google	1	7.7	2/3	5.30s
#43	MiMo-V2.5-Pro medium	Xiaomi	1	6.7	1/3	5.31s
#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

←

1 2 3 4 8

→

Modeli bora kwa Idadi ya Jibu lisilo sahihi