AI BENCHY
موازنہ کریں چارٹس طریقہ کار
❤️ Made by XCS
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY زمرہ ناکامیاں

ڈومین مخصوص
غلط جواب

دیکھیں کہ ڈومین مخصوص میں کن AI ماڈلز کو غلط جواب پیش آنے کا سب سے زیادہ امکان ہے، تاکہ آپ کمزوریاں جلدی پہچان سکیں۔

دکھائے گئے ماڈلز

53

کل ناکامیاں

98

سب سے زیادہ متاثر ماڈل

Qwen3.5-122B-A10B 3
درجہ ماڈل کمپنی غلط جواب کی تعداد زمرہ اسکور درست ٹیسٹس ردِعمل کا وقت (اوسط)
#10 Qwen3.5-122B-A10B medium Qwen 3 10.0 0/3 63.4s
#12 Gemini 3.1 Flash Lite Preview medium Google 3 10.0 0/3 4.21s
#19 GPT-5.3 Chat none OpenAI 3 10.0 0/3 13.0s
#31 GLM 5 none Z.ai 3 10.0 0/3 2.24s
#33 DeepSeek V3.2 none DeepSeek 3 10.0 0/3 1.61s
#36 Mercury 2 medium Inception 3 10.0 0/3 6.48s
#39 gpt-oss-120b medium OpenAI 3 10.0 0/3 50.9s
#41 Qwen3.5-27B none Qwen 3 10.0 0/3 540ms
#47 GPT-4o-mini none OpenAI 3 10.0 0/3 637ms
#3 GPT-5.3-Codex medium OpenAI 2 4.0 1/3 64.3s
#5 Gemini 3 Flash Preview low Google 2 4.0 1/3 8.05s
#6 Gemini 3 Pro Preview medium Google 2 4.0 1/3 7.01s
#8 Gemini 3.1 Flash Lite Preview high Google 2 4.0 1/3 127.6s
#9 GPT-5.4 medium OpenAI 2 4.0 1/3 74.3s
#13 Step 3.5 Flash medium Stepfun 2 4.0 1/3 170.5s
#14 GLM 5 medium Z.ai 2 10.0 0/3 0ms
#15 GPT-5.2 Chat none OpenAI 2 4.0 1/3 17.8s
#16 Gemini 2.5 Flash medium Google 2 4.0 1/3 37.3s
#17 Gemini 3.1 Flash Lite Preview low Google 2 4.0 1/3 2.36s
#21 MiMo-V2-Flash medium Xiaomi 2 4.0 1/3 96.0s
#22 Gemini 3.1 Flash Lite Preview none Google 2 4.0 1/3 942ms
#28 Kimi K2.5 medium Moonshot AI 2 10.0 0/3 137.3s
#29 Qwen3.5 Plus 2026-02-15 none Qwen 2 4.0 1/3 1.17s
#32 GPT-5 Mini medium OpenAI 2 10.0 0/3 44.6s
#38 Gemini 2.5 Flash none Google 2 4.0 1/3 495ms
#40 Qwen3.5-122B-A10B none Qwen 2 4.0 1/3 465ms
#43 MiniMax M2.5 medium Minimax 2 10.0 0/3 237.3s
#44 GPT-5.4 none OpenAI 2 4.0 1/3 1.07s
#45 Trinity Large Preview none Arcee AI 2 4.0 1/3 877ms
#46 Kimi K2.5 none Moonshot AI 2 4.0 1/3 4.38s
#48 Qwen3 Coder Next none Qwen 2 4.0 1/3 962ms
#50 Qwen3 Coder Next medium Qwen 2 4.0 1/3 638ms
#51 Mercury 2 none Inception 2 4.0 1/3 534ms
#52 GLM 4.7 Flash medium Z.ai 2 10.0 0/3 174.6s
#53 Grok 4.1 Fast none X AI 2 4.0 1/3 1.06s
#54 MiMo-V2-Flash none Xiaomi 2 4.0 1/3 564ms
#2 Gemini 3.1 Pro Preview medium Google 1 7.0 2/3 32.7s
#4 Qwen3.5 Plus 2026-02-15 medium Qwen 1 4.0 1/3 17.5s
#7 Qwen3.5-27B medium Qwen 1 4.0 1/3 79.5s
#11 Claude Sonnet 4.6 medium Anthropic 1 10.0 0/3 0ms
#18 DeepSeek V3.2 medium DeepSeek 1 4.0 1/3 39.3s
#20 Gemini 3 Flash Preview none Google 1 7.0 2/3 963ms
#24 Qwen3.5-Flash medium Qwen 1 4.0 1/3 146.5s
#25 Claude Sonnet 4.6 none Anthropic 1 7.0 2/3 3.54s
#26 Claude Opus 4.6 medium Anthropic 1 10.0 0/3 83.4s
#27 GPT-5.2 medium OpenAI 1 4.0 1/3 77.8s
#30 Grok 4.1 Fast medium X AI 1 4.0 1/3 121.8s
#34 GPT-5 Nano medium OpenAI 1 4.0 1/3 204.0s
#35 Qwen3.5-35B-A3B medium Qwen 1 10.0 0/3 88.3s
#37 Qwen3.5-Flash none Qwen 1 7.0 2/3 905ms
#42 Qwen3.5-35B-A3B none Qwen 1 7.0 2/3 485ms
#49 GLM 4.7 Flash none Z.ai 1 7.0 2/3 744ms
#55 LFM2-24B-A2B none Liquid 1 4.0 1/3 287ms

غلط جواب کی تعداد کے لحاظ سے سرفہرست ماڈلز

غلط جواب کی تعداد بمقابلہ اوسط اسکور

ردِعمل کا وقت (اوسط) کے لحاظ سے سرفہرست ماڈلز

تخمینی ضائع لاگت کے لحاظ سے سرفہرست ماڈلز