AI BENCHY
موازنہ کریں چارٹس طریقہ کار
❤️ Made by XCS
Your ad here

AI BENCHY ناکامیاں

غلط جواب ناکامیاں

دیکھیں کہ کن AI ماڈلز میں غلط جواب سب سے زیادہ ہوتا ہے، تاکہ آپ انتخاب سے پہلے قابلِ اعتماد ہونے کے خطرات سمجھ سکیں۔

دکھائے گئے ماڈلز

54

کل ناکامیاں

275

سب سے زیادہ متاثر ماڈل

Kimi K2.5 11
درجہ ماڈل کمپنی غلط جواب کی تعداد اوسط اسکور درست ٹیسٹس ردِعمل کا وقت (اوسط)
#46 Kimi K2.5 none Moonshot AI 11 4.1 5/16 11.9s
#47 GPT-4o-mini none OpenAI 11 4.0 4/16 2.07s
#51 Mercury 2 none Inception 11 3.4 4/16 596ms
#53 Grok 4.1 Fast none X AI 11 2.9 3/16 1.90s
#48 Qwen3 Coder Next none Qwen 10 4.0 4/16 11.7s
#54 MiMo-V2-Flash none Xiaomi 10 2.9 3/16 2.97s
#38 Gemini 2.5 Flash none Google 9 5.2 6/16 923ms
#40 Qwen3.5-122B-A10B none Qwen 9 5.0 6/16 3.72s
#41 Qwen3.5-27B none Qwen 9 4.9 5/16 1.75s
#44 GPT-5.4 none OpenAI 9 4.5 6/16 1.48s
#45 Trinity Large Preview none Arcee AI 9 4.2 5/16 3.15s
#49 GLM 4.7 Flash none Z.ai 9 3.9 4/16 2.99s
#55 LFM2-24B-A2B none Liquid 9 2.6 1/16 811ms
#37 Qwen3.5-Flash none Qwen 8 5.2 7/16 3.54s
#42 Qwen3.5-35B-A3B none Qwen 8 4.7 6/16 4.10s
#50 Qwen3 Coder Next medium Qwen 8 3.5 3/16 12.5s
#29 Qwen3.5 Plus 2026-02-15 none Qwen 7 6.2 9/16 2.65s
#31 GLM 5 none Z.ai 7 6.0 9/16 4.03s
#52 GLM 4.7 Flash medium Z.ai 7 3.1 4/16 36.8s
#33 DeepSeek V3.2 none DeepSeek 6 5.5 7/16 12.9s
#20 Gemini 3 Flash Preview none Google 5 7.2 11/16 1.75s
#34 GPT-5 Nano medium OpenAI 5 5.5 7/16 47.9s
#36 Mercury 2 medium Inception 5 5.3 7/16 2.36s
#39 gpt-oss-120b medium OpenAI 5 5.1 7/16 16.7s
#43 MiniMax M2.5 medium Minimax 5 4.7 5/16 43.0s
#12 Gemini 3.1 Flash Lite Preview medium Google 4 7.5 11/16 3.83s
#15 GPT-5.2 Chat none OpenAI 4 7.4 11/16 7.03s
#16 Gemini 2.5 Flash medium Google 4 7.4 11/16 12.4s
#17 Gemini 3.1 Flash Lite Preview low Google 4 7.3 11/16 3.36s
#19 GPT-5.3 Chat none OpenAI 4 7.3 10/16 5.96s
#22 Gemini 3.1 Flash Lite Preview none Google 4 7.1 10/16 1.33s
#5 Gemini 3 Flash Preview low Google 3 8.2 13/16 6.11s
#6 Gemini 3 Pro Preview medium Google 3 8.2 13/16 7.15s
#8 Gemini 3.1 Flash Lite Preview high Google 3 8.2 12/16 68.8s
#10 Qwen3.5-122B-A10B medium Qwen 3 7.7 12/16 29.7s
#13 Step 3.5 Flash medium Stepfun 3 7.4 10/16 29.1s
#18 DeepSeek V3.2 medium DeepSeek 3 7.3 11/16 39.5s
#21 MiMo-V2-Flash medium Xiaomi 3 7.2 11/16 25.3s
#28 Kimi K2.5 medium Moonshot AI 3 6.4 9/16 69.8s
#32 GPT-5 Mini medium OpenAI 3 6.0 8/16 25.1s
#3 GPT-5.3-Codex medium OpenAI 2 8.4 12/16 16.6s
#9 GPT-5.4 medium OpenAI 2 8.0 12/16 20.1s
#14 GLM 5 medium Z.ai 2 7.4 11/16 16.2s
#25 Claude Sonnet 4.6 none Anthropic 2 6.8 10/16 5.57s
#26 Claude Opus 4.6 medium Anthropic 2 6.6 10/16 22.9s
#30 Grok 4.1 Fast medium X AI 2 6.2 9/16 26.3s
#35 Qwen3.5-35B-A3B medium Qwen 2 5.5 8/16 43.9s
#2 Gemini 3.1 Pro Preview medium Google 1 9.4 15/16 16.6s
#4 Qwen3.5 Plus 2026-02-15 medium Qwen 1 8.3 13/16 34.5s
#7 Qwen3.5-27B medium Qwen 1 8.2 12/16 52.1s
#11 Claude Sonnet 4.6 medium Anthropic 1 7.7 12/16 11.2s
#23 Seed-2.0-Mini medium Bytedance Seed 1 6.9 10/16 65.1s
#24 Qwen3.5-Flash medium Qwen 1 6.9 10/16 70.8s
#27 GPT-5.2 medium OpenAI 1 6.5 10/16 15.3s

غلط جواب کی تعداد کے لحاظ سے سرفہرست ماڈلز

غلط جواب کی تعداد بمقابلہ اوسط اسکور

ردِعمل کا وقت (اوسط) کے لحاظ سے سرفہرست ماڈلز