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: کل لاگت ↑.
215/215
ماڈلز فلٹر کریں
موجودہ تلاش اور فلٹرز سے کوئی ماڈل مطابقت نہیں رکھتا۔
| درجہ | ماڈل | کمپنی | غلط جواب کی تعداد | اسکور | کل لاگت | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|---|
| #208 | Grok Build 0.1 none | X AI | 7 | 4.0 | $0.547 | 7/19 | 28.7s |
| #118 | Claude Sonnet 5 none | Anthropic | 7 | 6.3 | $0.548 | 8/22 | 6.04s |
| #58 | GPT-5.3 Chat none | OpenAI | 7 | 7.5 | $0.571 | 13/22 | 6.88s |
| #31 | Gemini 3.5 Flash-Lite high | 6 | 8.1 | $0.584 | 14/22 | 9.48s | |
| #81 | Kimi K2.5 medium | Moonshot AI | 5 | 7.0 | $0.600 | 10/22 | 99.0s |
| #34 | GPT-5.2 Chat none | OpenAI | 6 | 8.0 | $0.604 | 14/22 | 7.65s |
| #111 | Gemini 3.1 Flash Lite low | 9 | 6.5 | $0.621 | 12/22 | 16.3s | |
| #12 | Gemini 3.5 Flash medium | 2 | 9.1 | $0.642 | 19/22 | 8.20s | |
| #28 | Gemini 2.5 Flash medium | 6 | 8.2 | $0.643 | 15/22 | 21.2s | |
| #110 | Gemini 3.1 Flash Lite Preview low | 7 | 6.5 | $0.646 | 13/22 | 16.7s | |
| #27 | Muse Spark 1.1 low | Meta | 6 | 8.3 | $0.647 | 13/22 | 11.5s |
| #67 | Claude Sonnet 4.6 none | Anthropic | 5 | 7.3 | $0.661 | 12/22 | 8.12s |
| #43 | GPT-5.6 Terra medium | OpenAI | 8 | 7.8 | $0.676 | 14/22 | 7.11s |
| #140 | Mimo V2 Omni medium | Xiaomi | 5 | 5.9 | $0.683 | 10/21 | 41.2s |
| #89 | Qwen3.6 Flash medium | Qwen | 8 | 6.9 | $0.738 | 12/22 | 44.7s |