AI BENCHY زمرہ ناکامیاں
معلومات عامہ: غلط جواب
معلومات عامہ
غلط جواب
دیکھیں کہ معلومات عامہ میں کن AI ماڈلز کو غلط جواب پیش آنے کا سب سے زیادہ امکان ہے، تاکہ آپ کمزوریاں جلدی پہچان سکیں۔ ترتیب دیں حسب: ردِعمل کا وقت (اوسط) ↓.
ناکامی کی وجوہات
| درجہ | ماڈل | کمپنی | غلط جواب کی تعداد | زمرہ اسکور | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|
| #62 | MiMo-V2-Omni medium | Xiaomi | 1 | 3.0 | 0/1 | 234.2s |
| #38 | Gemma 4 26B A4B medium | 1 | 3.0 | 0/1 | 180.9s | |
| #57 | Qwen3.5-35B-A3B medium | Qwen | 1 | 3.0 | 0/1 | 177.4s |
| #140 | Qwen3.5-9B medium | Qwen | 1 | 3.0 | 0/1 | 177.0s |
| #42 | Kimi K2.6 medium | Moonshot AI | 1 | 3.0 | 0/1 | 130.3s |
| #50 | Qwen3.6 Flash medium | Qwen | 1 | 3.0 | 0/1 | 122.9s |
| #36 | Step 3.5 Flash none | Stepfun | 1 | 3.0 | 0/1 | 114.1s |
| #43 | Step 3.5 Flash medium | Stepfun | 1 | 3.0 | 0/1 | 108.4s |
| #12 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 1 | 3.0 | 0/1 | 103.8s |
| #33 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 1 | 3.0 | 0/1 | 92.6s |
| #14 | Gemma 4 31B medium | 1 | 3.0 | 0/1 | 90.1s | |
| #17 | Qwen3.5-27B medium | Qwen | 1 | 3.0 | 0/1 | 85.1s |
| #59 | DeepSeek V3.2 medium | DeepSeek | 1 | 3.0 | 0/1 | 84.0s |
| #69 | Kimi K2.5 medium | Moonshot AI | 1 | 3.0 | 0/1 | 83.9s |
| #37 | MiMo-V2-Pro medium | Xiaomi | 1 | 3.0 | 0/1 | 82.7s |