AI BENCHY ناکامیاں
ہدایات پر عمل نہیں کیا ناکامیاں
دیکھیں کہ کن AI ماڈلز میں ہدایات پر عمل نہیں کیا سب سے زیادہ ہوتا ہے، تاکہ آپ انتخاب سے پہلے قابلِ اعتماد ہونے کے خطرات سمجھ سکیں۔
| درجہ | ماڈل | کمپنی | ہدایات پر عمل نہیں کیا کی تعداد | اسکور | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|
| #125 | MiniMax M2.7 medium | Minimax | 5 | 5.1 | 4/19 | 30.6s |
| #62 | GPT-5.4 Mini medium | OpenAI | 4 | 7.2 | 10/19 | 16.0s |
| #69 | GPT-5 Mini medium | OpenAI | 4 | 6.8 | 9/19 | 23.2s |
| #79 | Grok 4.1 Fast medium | X AI | 4 | 6.5 | 9/19 | 24.0s |
| #101 | gpt-oss-120b medium | OpenAI | 4 | 5.7 | 7/19 | 16.9s |
| #135 | Hy3 preview none | Tencent | 4 | 4.6 | 4/19 | 13.0s |
| #144 | Granite 4.1 8B none | IBM Granite | 4 | 4.1 | 2/19 | 743ms |
| #43 | Step 3.5 Flash medium | Stepfun | 3 | 7.6 | 11/18 | 41.7s |
| #51 | Gemini 3.1 Flash Lite high | 3 | 7.5 | 11/18 | 62.0s | |
| #60 | GPT-5.2 medium | OpenAI | 3 | 7.2 | 11/19 | 15.2s |
| #70 | Gemini 3.1 Flash Lite minimal | 3 | 6.8 | 10/19 | 1.41s | |
| #82 | Mercury 2 medium | Inception | 3 | 6.3 | 8/19 | 2.23s |
| #87 | Nemotron 3 Super medium | NVIDIA | 3 | 6.1 | 8/19 | 18.7s |
| #97 | Cobuddy medium | Baidu | 3 | 5.8 | 7/19 | 36.5s |
| #98 | Owl Alpha none | Openrouter | 3 | 5.8 | 7/19 | 6.83s |