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: ردِعمل کا وقت (اوسط) ↑.
دکھائے گئے ماڈلز
14
کل ناکامیاں
1558
سب سے زیادہ متاثر ماڈل
Nemotron 3 Nano Omni 30b A3b Reasoning 9
209/209
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) |
|---|---|---|---|---|---|---|---|
| #57 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 4 | 7.5 | $0.437 | 14/22 | 89.2s |
| #80 | Seed-2.0-Mini medium | Bytedance Seed | 4 | 7.0 | $0.101 | 11/22 | 92.5s |
| #77 | Kimi K2.5 medium | Moonshot AI | 5 | 7.0 | $0.600 | 10/22 | 99.0s |
| #91 | LongCat 2.0 low | Meituan | 8 | 6.7 | $0.391 | 10/22 | 100.3s |
| #95 | Gemma 4 26B A4B medium | 3 | 6.6 | $0.089 | 14/22 | 103.8s | |
| #99 | Qwen3.6 27B medium | Qwen | 6 | 6.5 | $0.779 | 10/22 | 106.3s |
| #68 | Kimi K2.6 medium | Moonshot AI | 3 | 7.2 | $1.036 | 12/22 | 110.0s |
| #58 | Qwen3.5-27B medium | Qwen | 4 | 7.4 | $1.627 | 13/22 | 111.9s |
| #119 | Qwen3.5-35B-A3B medium | Qwen | 2 | 6.2 | $0.837 | 11/22 | 112.5s |
| #60 | LongCat 2.0 medium | Meituan | 7 | 7.4 | $0.478 | 12/22 | 136.6s |
| #137 | North Mini Code medium | Cohere | 9 | 5.9 | $0.000 | 9/22 | 137.1s |
| #194 | GLM 4.7 Flash medium | Z.ai | 9 | 4.3 | $0.166 | 4/22 | 142.6s |
| #97 | LongCat 2.0 high | Meituan | 6 | 6.6 | $0.469 | 9/22 | 148.7s |
| #130 | Step 3.5 Flash medium | Stepfun | 4 | 6.0 | $0.108 | 11/21 | 174.2s |