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۔
ناکامی کی وجوہات
133/133
ماڈلز فلٹر کریں
موجودہ تلاش اور فلٹرز سے کوئی ماڈل مطابقت نہیں رکھتا۔
| درجہ | ماڈل | کمپنی | غلط جواب کی تعداد | زمرہ اسکور | کل لاگت | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|---|
| #42 | Grok Build 0.1 medium | X AI | 1 | 3.0 | $0.927 | 0/1 | 53.5s |
| #43 | Kimi K2.5 medium | Moonshot AI | 1 | 3.0 | $0.348 | 0/1 | 83.9s |
| #44 | Mercury 2 medium | Inception | 1 | 3.0 | $0.058 | 0/1 | 2.58s |
| #45 | GPT-5.3 Chat none | OpenAI | 1 | 3.0 | $0.433 | 0/1 | 4.38s |
| #46 | GPT-5.4 Nano medium | OpenAI | 1 | 3.0 | $0.107 | 0/1 | 4.81s |
| #47 | Qwen3.6 Flash medium | Qwen | 1 | 3.0 | $0.288 | 0/1 | 122.9s |
| #48 | DeepSeek V3.2 medium | DeepSeek | 1 | 3.0 | $0.044 | 0/1 | 84.0s |
| #49 | Claude Opus 4.7 none | Anthropic | 1 | 3.0 | $0.505 | 0/1 | 1.46s |
| #50 | Seed-2.0-Mini medium | Bytedance Seed | 1 | 3.0 | $0.044 | 0/1 | 56.8s |
| #51 | MiMo-V2.5-Pro medium | Xiaomi | 1 | 3.0 | $0.106 | 0/1 | 12.5s |
| #53 | Grok 4.20 medium | X AI | 1 | 3.0 | $0.609 | 0/1 | 63.5s |
| #54 | Hy3 preview medium | Tencent | 1 | 3.0 | $0.021 | 0/1 | 39.9s |
| #55 | Claude Sonnet 4.6 none | Anthropic | 1 | 3.0 | $0.316 | 0/1 | 4.67s |
| #56 | GLM 5V Turbo medium | Z.ai | 1 | 3.0 | $0.457 | 0/1 | 41.0s |
| #58 | DeepSeek V4 Pro none | DeepSeek | 1 | 3.0 | $0.034 | 0/1 | 5.76s |