AI BENCHY زمرہ ناکامیاں
اینٹی اے آئی چالیں: غلط جواب
اینٹی اے آئی چالیں
غلط جواب
دیکھیں کہ اینٹی اے آئی چالیں میں کن AI ماڈلز کو غلط جواب پیش آنے کا سب سے زیادہ امکان ہے، تاکہ آپ کمزوریاں جلدی پہچان سکیں۔ ترتیب دیں حسب: درست ٹیسٹس ↓.
ناکامی کی وجوہات
| درجہ | ماڈل | کمپنی | غلط جواب کی تعداد | زمرہ اسکور | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|
| #8 | Claude Opus 4.7 none | Anthropic | 1 | 8.3 | 3/4 | 2.12s |
| #11 | Claude Opus 4.7 medium | Anthropic | 1 | 8.3 | 3/4 | 1.85s |
| #13 | Grok 4.20 Beta medium | X AI | 1 | 8.7 | 3/4 | 3.16s |
| #15 | GPT-5.3-Codex medium | OpenAI | 1 | 8.7 | 3/4 | 4.16s |
| #19 | Seed-2.0-Lite medium | Bytedance Seed | 1 | 8.3 | 3/4 | 18.0s |
| #21 | GPT-5.4 medium | OpenAI | 1 | 8.3 | 3/4 | 4.11s |
| #24 | GPT-5.2 Chat none | OpenAI | 1 | 8.7 | 3/4 | 3.40s |
| #25 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 1 | 8.2 | 3/4 | 45.8s |
| #28 | Gemini 2.5 Flash medium | 1 | 8.4 | 3/4 | 6.30s | |
| #31 | DeepSeek V4 Flash high | DeepSeek | 1 | 8.3 | 3/4 | 28.5s |
| #45 | GPT-5.4 Mini medium | OpenAI | 1 | 8.6 | 3/4 | 4.05s |
| #48 | Gemini 3 Flash Preview none | 1 | 8.3 | 3/4 | 1.25s | |
| #50 | Gemini 3.1 Flash Lite Preview low | 1 | 8.3 | 3/4 | 2.12s | |
| #53 | Gemini 3.1 Flash Lite high | 1 | 8.7 | 3/4 | 37.2s | |
| #57 | Step 3.7 Flash low | Stepfun | 1 | 8.7 | 3/4 | 4.02s |