Kushindwa kwa AI BENCHY
Kushindwa kwa Jibu lisilo sahihi
Ona ni modeli gani za AI hukutana na Jibu lisilo sahihi mara nyingi zaidi ili utambue hatari za utegemevu kabla ya kuchagua.
Kategoria
Katika kategoria Mahususi kwa domeni182 Katika kategoria Mbinu za kupinga AI165 Katika kategoria Utatuzi wa mafumbo85 Katika kategoria Ufuataji wa maagizo44 Katika kategoria Mchanganyiko37 Katika kategoria Uandishi wa msimbo28 Katika kategoria Uchanganuzi na uchimbaji wa data19 Katika kategoria Akili ya jumla10 Katika kategoria Mwito wa zana2
| Nafasi | Modeli | Kampuni | Idadi ya Jibu lisilo sahihi | Alama | Majaribio sahihi | Muda wa majibu (wastani) |
|---|---|---|---|---|---|---|
| #36 | GPT-5.3 Chat none | OpenAI | 5 | 7.7 | 11/18 | 5.88s |
| #48 | Gemma 4 31B none | 5 | 6.9 | 10/18 | 4.02s | |
| #71 | MiniMax M2.5 medium | Minimax | 5 | 5.7 | 5/18 | 39.6s |
| #80 | MiniMax M2.7 medium | Minimax | 5 | 5.3 | 4/18 | 31.1s |
| #15 | Gemini 2.5 Flash medium | 4 | 8.2 | 13/18 | 12.1s | |
| #17 | Gemini 3.1 Flash Lite Preview medium | 4 | 8.2 | 13/18 | 3.74s | |
| #22 | Gemini 3.1 Flash Lite Preview low | 4 | 8.1 | 13/18 | 3.22s | |
| #29 | Gemini 3.1 Flash Lite Preview none | 4 | 7.9 | 12/18 | 1.30s | |
| #38 | GPT-5.4 Nano medium | OpenAI | 4 | 7.6 | 11/18 | 11.2s |
| #44 | GPT-5.4 Mini medium | OpenAI | 4 | 7.3 | 9/18 | 15.2s |
| #45 | GPT-5 Mini medium | OpenAI | 4 | 7.0 | 9/18 | 24.0s |
| #46 | Kimi K2.5 medium | Moonshot AI | 4 | 7.0 | 9/18 | 72.4s |
| #50 | Hunter Alpha medium | OpenRouter | 4 | 6.7 | 8/18 | 10.3s |
| #5 | Gemini 3 Flash Preview low | 3 | 8.8 | 15/18 | 6.01s | |
| #6 | Seed-2.0-Lite medium | Bytedance Seed | 3 | 8.6 | 13/18 | 30.4s |