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) |
|---|---|---|---|---|---|---|
| #82 | Hy3 preview high | Tencent | 2 | 5.3 | 1/3 | 109.0s |
| #84 | Grok 4.20 Multi Agent Beta medium | X AI | 2 | 2.9 | 0/3 | 24.7s |
| #89 | Hy3 preview low | Tencent | 2 | 5.9 | 1/3 | 40.4s |
| #92 | Laguna M.1 medium | Poolside | 2 | 5.3 | 1/3 | 24.1s |
| #93 | Qwen3.6 Plus Preview medium | Qwen | 2 | 3.0 | 0/3 | 22.1s |
| #95 | Qwen3.5 Plus 2026-02-15 none | Qwen | 2 | 5.3 | 1/3 | 1.17s |
| #96 | Ring-2.6-1T none | Inclusionai | 2 | 5.3 | 1/3 | 73.4s |
| #97 | Gemini 2.5 Flash none | 2 | 5.9 | 1/3 | 495ms | |
| #100 | Grok Build 0.1 none | X AI | 2 | 3.6 | 0/3 | 103.7s |
| #101 | Mimo V2 Omni none | Xiaomi | 2 | 5.3 | 1/3 | 2.10s |
| #104 | Nemotron 3 Ultra 550b A55b none | NVIDIA | 2 | 5.3 | 1/3 | 698ms |
| #105 | Nemotron 3 Super medium | NVIDIA | 2 | 2.9 | 0/3 | 16.2s |
| #107 | Laguna Xs.2 medium | Poolside | 2 | 4.1 | 0/3 | 11.1s |
| #109 | GLM 5V Turbo none | Z.ai | 2 | 5.3 | 1/3 | 2.09s |
| #111 | Owl Alpha medium | Openrouter | 2 | 5.3 | 1/3 | 8.58s |