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) |
|---|---|---|---|---|---|---|
| #113 | DeepSeek V4 Pro none | DeepSeek | 2 | 5.3 | 1/3 | 3.17s |
| #114 | Qwen3.5 Plus 2026-04-20 none | Qwen | 2 | 5.3 | 1/3 | 4.43s |
| #116 | Hunter Alpha none | OpenRouter | 2 | 5.3 | 1/3 | 2.33s |
| #120 | Mimo V2 PRO none | Xiaomi | 2 | 5.3 | 1/3 | 1.78s |
| #121 | Owl Alpha none | Openrouter | 2 | 5.3 | 1/3 | 3.00s |
| #123 | MiMo-V2.5-Pro none | Xiaomi | 2 | 5.3 | 1/3 | 877ms |
| #124 | Kimi K2.6 none | Moonshot AI | 2 | 5.3 | 1/3 | 1.48s |
| #125 | GPT-5.4 none | OpenAI | 2 | 5.3 | 1/3 | 1.07s |
| #127 | Grok 4.20 none | X AI | 2 | 3.0 | 0/3 | 687ms |
| #128 | Qwen3.6 Flash none | Qwen | 2 | 5.3 | 1/3 | 1.11s |
| #129 | MiniMax M2.5 medium | Minimax | 2 | 2.9 | 0/3 | 237.3s |
| #131 | Qwen3.5-122B-A10B none | Qwen | 2 | 5.3 | 1/3 | 465ms |
| #133 | DeepSeek V3.2 none | DeepSeek | 2 | 2.9 | 0/3 | 4.17s |
| #134 | GLM 5 Turbo none | Z.ai | 2 | 5.3 | 1/3 | 1.97s |
| #135 | Kimi K2.5 none | Moonshot AI | 2 | 5.3 | 1/3 | 4.38s |