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۔
ناکامی کی وجوہات
| درجہ | ماڈل | کمپنی | غلط جواب کی تعداد | زمرہ اسکور | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|
| #9 | GPT-5.5 medium | OpenAI | 2 | 5.3 | 1/3 | 164.1s |
| #10 | Claude Opus 4.8 medium | Anthropic | 2 | 5.3 | 1/3 | 14.2s |
| #12 | Gemini 3.1 Flash Lite Preview high | 2 | 5.3 | 1/3 | 127.6s | |
| #13 | Grok 4.20 Beta medium | X AI | 2 | 5.3 | 1/3 | 21.3s |
| #15 | GPT-5.3-Codex medium | OpenAI | 2 | 5.9 | 1/3 | 64.3s |
| #16 | Gemini 3 Flash Preview low | 2 | 5.3 | 1/3 | 8.05s | |
| #17 | GLM 5 medium | Z.ai | 2 | 3.5 | 0/3 | 0ms |
| #19 | Seed-2.0-Lite medium | Bytedance Seed | 2 | 5.9 | 1/3 | 88.7s |
| #21 | GPT-5.4 medium | OpenAI | 2 | 5.3 | 1/3 | 74.3s |
| #23 | GLM 5 Turbo medium | Z.ai | 2 | 2.9 | 0/3 | 71.1s |
| #24 | GPT-5.2 Chat none | OpenAI | 2 | 5.3 | 1/3 | 17.8s |
| #28 | Gemini 2.5 Flash medium | 2 | 5.9 | 1/3 | 37.3s | |
| #33 | Hy3 preview medium | Tencent | 2 | 5.3 | 1/3 | 22.3s |
| #35 | Gemini 3 PRO Preview medium | 2 | 5.3 | 1/3 | 7.01s | |
| #37 | Gemma 4 26B A4B medium | 2 | 2.9 | 0/3 | 23.6s |