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۔ ترتیب دیں حسب: درست ٹیسٹس ↓.
| درجہ | ماڈل | کمپنی | ہدایات پر عمل نہیں کیا کی تعداد | اسکور | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|
| #25 | Grok 4.20 Beta medium | X AI | 3 | 8.0 | 12/18 | 9.81s |
| #27 | DeepSeek V3.2 medium | DeepSeek | 1 | 8.0 | 12/18 | 46.4s |
| #28 | GPT-5.2 Chat none | OpenAI | 1 | 7.9 | 12/18 | 6.84s |
| #29 | Gemini 3.1 Flash Lite Preview none | 2 | 7.9 | 12/18 | 1.30s | |
| #30 | Step 3.5 Flash medium | Stepfun | 3 | 7.9 | 11/17 | 26.8s |
| #31 | GLM 5V Turbo medium | Z.ai | 2 | 7.8 | 11/18 | 15.0s |
| #32 | Qwen3.5-Flash medium | Qwen | 1 | 7.8 | 11/18 | 66.7s |
| #34 | Kimi K2.6 medium | Moonshot AI | 3 | 7.7 | 11/18 | 45.2s |
| #35 | MiMo-V2-Omni medium | Xiaomi | 2 | 7.7 | 11/18 | 16.8s |
| #36 | GPT-5.3 Chat none | OpenAI | 2 | 7.7 | 11/18 | 5.88s |
| #38 | GPT-5.4 Nano medium | OpenAI | 3 | 7.6 | 11/18 | 11.2s |
| #39 | Seed-2.0-Mini medium | Bytedance Seed | 1 | 7.5 | 11/18 | 69.7s |
| #40 | GPT-5.2 medium | OpenAI | 3 | 7.5 | 11/18 | 14.0s |
| #41 | MiMo-V2-Flash medium | Xiaomi | 1 | 7.5 | 11/18 | 23.4s |
| #42 | Claude Sonnet 4.6 none | Anthropic | 1 | 7.4 | 11/18 | 4.98s |