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: درست ٹیسٹس ↑.
| درجہ | ماڈل | کمپنی | غلط جواب کی تعداد | اسکور | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|
| #56 | Grok 4.20 Multi Agent Beta medium | X AI | 3 | 6.4 | 7/18 | 9.80s |
| #57 | GPT-5 Nano medium | OpenAI | 7 | 6.3 | 7/18 | 44.1s |
| #60 | Gemma 4 26B A4B none | 7 | 6.2 | 7/18 | 6.59s | |
| #62 | Gemini 2.5 Flash none | 10 | 6.2 | 7/18 | 903ms | |
| #63 | Qwen3.5-35B-A3B none | Qwen | 9 | 6.1 | 7/18 | 3.82s |
| #64 | DeepSeek V3.2 none | DeepSeek | 8 | 6.1 | 7/18 | 12.1s |
| #65 | MiMo-V2-Pro none | Xiaomi | 9 | 6.0 | 7/18 | 2.39s |
| #66 | GPT-5.4 none | OpenAI | 10 | 5.9 | 7/18 | 1.51s |
| #68 | gpt-oss-120b medium | OpenAI | 7 | 5.8 | 7/18 | 16.1s |
| #69 | Kimi K2.6 none | Moonshot AI | 8 | 5.8 | 7/18 | 2.05s |
| #50 | Hunter Alpha medium | OpenRouter | 4 | 6.7 | 8/18 | 10.3s |
| #54 | Mercury 2 medium | Inception | 6 | 6.5 | 8/18 | 2.21s |
| #55 | MiMo-V2-Omni none | Xiaomi | 8 | 6.5 | 8/18 | 1.99s |
| #58 | GLM 5V Turbo none | Z.ai | 8 | 6.2 | 8/18 | 3.10s |
| #59 | Qwen3.5-Flash none | Qwen | 9 | 6.2 | 8/18 | 3.25s |