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) |
|---|---|---|---|---|---|---|
| #58 | GLM 5V Turbo none | Z.ai | 8 | 6.2 | 8/18 | 3.10s |
| #64 | DeepSeek V3.2 none | DeepSeek | 8 | 6.1 | 7/18 | 12.1s |
| #69 | Kimi K2.6 none | Moonshot AI | 8 | 5.8 | 7/18 | 2.05s |
| #73 | Mistral Small 4 medium | Mistral | 8 | 5.7 | 5/18 | 5.64s |
| #93 | GLM 4.7 Flash medium | Z.ai | 8 | 4.6 | 4/18 | 32.3s |
| #49 | Qwen3.5 Plus 2026-02-15 none | Qwen | 9 | 6.8 | 9/18 | 2.60s |
| #53 | GLM 5 none | Z.ai | 9 | 6.6 | 9/18 | 4.23s |
| #59 | Qwen3.5-Flash none | Qwen | 9 | 6.2 | 8/18 | 3.25s |
| #63 | Qwen3.5-35B-A3B none | Qwen | 9 | 6.1 | 7/18 | 3.82s |
| #65 | MiMo-V2-Pro none | Xiaomi | 9 | 6.0 | 7/18 | 2.39s |
| #72 | Hunter Alpha none | OpenRouter | 9 | 5.7 | 6/18 | 4.58s |
| #81 | Elephant medium | Openrouter | 9 | 5.2 | 5/18 | 1.27s |
| #82 | Grok 4.20 none | X AI | 9 | 5.2 | 5/18 | 1.11s |
| #85 | Elephant none | Openrouter | 9 | 5.2 | 5/18 | 1.23s |
| #92 | Qwen3 Coder Next medium | Qwen | 9 | 4.7 | 3/18 | 10.8s |