غلط جواب ناکامی درجہ بندی

AI BENCHY 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 ↑.

دکھائے گئے ماڈلز

کل ناکامیاں

1204

سب سے زیادہ متاثر ماڈل

زمرے

زمرہ ڈومین مخصوص میں314 زمرہ اینٹی اے آئی چالیں میں245 زمرہ کوڈنگ میں194 زمرہ پہیلی حل کرنا میں147 زمرہ معلومات عامہ میں130 زمرہ ہدایات کی پیروی میں53 زمرہ مشترکہ میں52 زمرہ ڈیٹا پارسنگ اور استخراج میں35 زمرہ عمومی ذہانت میں32 زمرہ ٹول کالنگ میں2

درجہ	ماڈل	کمپنی	غلط جواب کی تعداد	اسکور	درست ٹیسٹس	ردِعمل کا وقت (اوسط)
#13	Grok 4.20 Beta medium	X AI	3	8.5	14/18	9.75s
#12	Gemini 3.1 Flash Lite Preview high	Google	2	8.6	13/16	68.1s
#11	Claude Opus 4.7 medium	Anthropic	3	8.7	17/21	4.73s
#10	Claude Opus 4.8 medium	Anthropic	3	8.7	17/21	9.66s
#9	GPT-5.5 medium	OpenAI	4	8.8	17/21	38.0s
#8	Claude Opus 4.7 none	Anthropic	3	8.9	16/19	3.02s
#7	Gemini 3.5 Flash medium	Google	2	9.0	18/21	4.94s
#6	GPT-5.5 low	OpenAI	3	9.0	18/21	9.76s
#5	Qwen3.7 Max medium	Qwen	3	9.1	18/21	16.0s
#3	Gemini 3.5 Flash low	Google	2	9.4	19/21	3.27s
#4	Gemini 3.1 Pro Preview medium	Google	2	9.4	19/21	20.1s
#2	Gemini 3.5 Flash high	Google	1	9.6	20/21	8.84s
#1	Gemini 3 Flash Preview medium	Google	1	9.8	20/21	18.6s

←

1 10 11

غلط جواب ناکامیاں