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۔ ترتیب دیں حسب: اسکور ↑.
| درجہ | ماڈل | کمپنی | غلط جواب کی تعداد | اسکور | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|
| #27 | Gemma 4 31B medium | 2 | 7.8 | 14/21 | 56.5s | |
| #28 | Gemini 2.5 Flash medium | 6 | 7.8 | 14/21 | 15.5s | |
| #26 | Qwen3.6 Plus medium | Qwen | 5 | 7.9 | 14/21 | 30.7s |
| #25 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 4 | 7.9 | 14/21 | 73.8s |
| #24 | GPT-5.2 Chat none | OpenAI | 6 | 7.9 | 14/21 | 7.13s |
| #23 | GLM 5 Turbo medium | Z.ai | 4 | 8.0 | 14/21 | 23.0s |
| #22 | Step 3.7 Flash medium | Stepfun | 5 | 8.0 | 14/21 | 20.4s |
| #21 | GPT-5.4 medium | OpenAI | 5 | 8.0 | 14/21 | 22.3s |
| #20 | Gemini 3.5 Flash none | 3 | 8.1 | 15/21 | 9.93s | |
| #19 | Seed-2.0-Lite medium | Bytedance Seed | 5 | 8.2 | 14/21 | 47.1s |
| #18 | Qwen3.7 Plus medium | Qwen | 5 | 8.2 | 15/21 | 38.9s |
| #17 | GLM 5 medium | Z.ai | 3 | 8.3 | 15/21 | 33.5s |
| #16 | Gemini 3 Flash Preview low | 5 | 8.4 | 16/21 | 5.76s | |
| #15 | GPT-5.3-Codex medium | OpenAI | 4 | 8.4 | 15/21 | 16.2s |
| #14 | Qwen3.6 Max Preview medium | Qwen | 5 | 8.5 | 16/21 | 59.6s |