AI BENCHY زمرہ ناکامیاں
ڈومین مخصوص: غلط جواب
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۔ ترتیب دیں حسب: درست ٹیسٹس ↓.
ناکامی کی وجوہات
| درجہ | ماڈل | کمپنی | غلط جواب کی تعداد | زمرہ اسکور | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|
| #2 | Gemini 3.1 Pro Preview medium | 1 | 7.7 | 2/3 | 32.7s | |
| #4 | Claude Opus 4.7 none | Anthropic | 1 | 7.7 | 2/3 | 1.19s |
| #14 | Gemma 4 31B medium | 1 | 7.7 | 2/3 | 38.5s | |
| #21 | Gemini 3 Flash Preview none | 1 | 7.7 | 2/3 | 963ms | |
| #42 | Claude Sonnet 4.6 none | Anthropic | 1 | 7.7 | 2/3 | 3.54s |
| #48 | Gemma 4 31B none | 1 | 7.7 | 2/3 | 3.22s | |
| #59 | Qwen3.5-Flash none | Qwen | 1 | 7.7 | 2/3 | 905ms |
| #63 | Qwen3.5-35B-A3B none | Qwen | 1 | 7.7 | 2/3 | 485ms |
| #74 | GLM 4.7 Flash none | Z.ai | 1 | 7.7 | 2/3 | 744ms |
| #5 | Gemini 3 Flash Preview low | 2 | 5.3 | 1/3 | 8.05s | |
| #6 | Seed-2.0-Lite medium | Bytedance Seed | 2 | 5.9 | 1/3 | 88.7s |
| #7 | GPT-5.3-Codex medium | OpenAI | 2 | 5.9 | 1/3 | 64.3s |
| #8 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 1 | 5.3 | 1/3 | 17.5s |
| #10 | Qwen3.5-27B medium | Qwen | 1 | 5.3 | 1/3 | 79.5s |
| #11 | Gemini 3.1 Flash Lite Preview high | 2 | 5.3 | 1/3 | 127.6s |