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: ناکامیوں کی تعداد ↑.
| درجہ | ماڈل | کمپنی | غلط جواب کی تعداد | اسکور | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|
| #23 | GLM 5 Turbo medium | Z.ai | 4 | 8.0 | 14/21 | 23.0s |
| #25 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 4 | 7.9 | 14/21 | 73.8s |
| #30 | Qwen3.5-27B medium | Qwen | 4 | 7.8 | 13/21 | 68.4s |
| #46 | Qwen3.6 35B A3B medium | Qwen | 4 | 7.4 | 13/21 | 18.1s |
| #49 | Qwen3.5-Flash medium | Qwen | 4 | 7.4 | 12/21 | 63.3s |
| #52 | Claude Sonnet 4.6 medium | Anthropic | 4 | 7.4 | 13/21 | 17.1s |
| #53 | Gemini 3.1 Flash Lite high | 4 | 7.3 | 10/18 | 62.0s | |
| #55 | GLM 5.1 medium | Z.ai | 4 | 7.3 | 12/21 | 33.7s |
| #62 | Step 3.5 Flash medium | Stepfun | 4 | 7.2 | 11/20 | 72.5s |
| #68 | Claude Opus 4.8 none | Anthropic | 4 | 7.0 | 12/21 | 3.47s |
| #73 | Seed-2.0-Mini medium | Bytedance Seed | 4 | 6.9 | 11/21 | 80.2s |
| #79 | Hunter Alpha medium | OpenRouter | 4 | 6.7 | 8/18 | 10.3s |
| #84 | Grok 4.20 Multi Agent Beta medium | X AI | 4 | 6.6 | 8/18 | 9.69s |
| #86 | Grok 4.1 Fast medium | X AI | 4 | 6.5 | 9/19 | 23.8s |
| #89 | Hy3 preview low | Tencent | 4 | 6.4 | 10/21 | 24.6s |