Orodha ya Maarifa ya jumla 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 Maarifa ya jumla, ili uone udhaifu haraka. Panga kwa: Jumla ya gharama ↓.

Modeli zilizoonyeshwa

Jumla ya kushindwa

133

Modeli iliyoathirika zaidi

GPT-5.5 1

Sababu za kushindwa

Jibu lisilo sahihi133 Hitilafu ya API13 Hakuna jibu8

Kategoria

Mahususi kwa domeni325 Mbinu za kupinga AI250 Uandishi wa msimbo201 Utatuzi wa mafumbo154 Maarifa ya jumla133 Ufuataji wa maagizo54 Mchanganyiko53 Akili ya jumla36 Uchanganuzi na uchimbaji wa data35 Mwito wa zana2

133/133

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#9	GPT-5.5 medium	OpenAI	1	2.8	$3.679	0/1	37.9s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $3.679 Muda wa majibu (wastani) 37.9s
#38	Claude Opus 4.6 medium	Anthropic	1	3.0	$2.053	0/1	63.2s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $2.053 Muda wa majibu (wastani) 63.2s
#31	Claude Sonnet 4.6 medium	Anthropic	1	3.0	$1.418	0/1	30.1s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $1.418 Muda wa majibu (wastani) 30.1s
#17	GPT-5.4 medium	OpenAI	1	3.0	$1.210	0/1	14.0s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $1.210 Muda wa majibu (wastani) 14.0s
#66	Gemini 3.5 Flash none	Google	1	2.8	$1.079	0/1	4.87s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $1.079 Muda wa majibu (wastani) 4.87s
#11	Qwen3.6 Max Preview medium	Qwen	1	3.0	$0.960	0/1	60.6s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.960 Muda wa majibu (wastani) 60.6s
#42	Grok Build 0.1 medium	X AI	1	3.0	$0.927	0/1	53.5s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.927 Muda wa majibu (wastani) 53.5s
#4	GPT-5.5 low	OpenAI	1	3.0	$0.907	0/1	10.1s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.907 Muda wa majibu (wastani) 10.1s
#35	Kimi K2.6 medium	Moonshot AI	1	3.0	$0.889	0/1	130.3s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.889 Muda wa majibu (wastani) 130.3s
#10	GPT-5.3-Codex medium	OpenAI	1	2.8	$0.740	0/1	14.4s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.740 Muda wa majibu (wastani) 14.4s
#73	Mimo V2 Omni medium	Xiaomi	1	3.0	$0.683	0/1	234.2s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.683 Muda wa majibu (wastani) 234.2s
#13	Claude Opus 4.7 medium	Anthropic	1	3.0	$0.679	0/1	2.25s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.679 Muda wa majibu (wastani) 2.25s
#37	Grok 4.3 medium	X AI	1	3.0	$0.614	0/1	44.5s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.614 Muda wa majibu (wastani) 44.5s
#53	Grok 4.20 medium	X AI	1	3.0	$0.609	0/1	63.5s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.609 Muda wa majibu (wastani) 63.5s
#36	Qwen3.5-122B-A10B medium	Qwen	1	3.0	$0.588	0/1	52.9s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.588 Muda wa majibu (wastani) 52.9s

Chuja miundo

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

Maarifa ya jumla: Jibu lisilo sahihi

Chuja miundo

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