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) |
|---|---|---|---|---|---|---|
| #98 | LFM2-24B-A2B none | Liquid | 9 | 4.1 | 1/16 | 811ms |
| #61 | Seed-2.0-Lite none | Bytedance Seed | 10 | 6.2 | 8/18 | 2.53s |
| #62 | Gemini 2.5 Flash none | 10 | 6.2 | 7/18 | 903ms | |
| #66 | GPT-5.4 none | OpenAI | 10 | 5.9 | 7/18 | 1.51s |
| #67 | Qwen3.5-27B none | Qwen | 10 | 5.9 | 6/18 | 1.74s |
| #74 | GLM 4.7 Flash none | Z.ai | 10 | 5.6 | 5/18 | 3.35s |
| #75 | GLM 5.1 none | Z.ai | 10 | 5.6 | 5/18 | 4.33s |
| #77 | GLM 5 Turbo none | Z.ai | 10 | 5.5 | 6/18 | 2.94s |
| #79 | Grok 4.20 Beta none | X AI | 10 | 5.3 | 4/18 | 1.19s |
| #86 | GPT-5.4 Mini none | OpenAI | 10 | 5.1 | 5/18 | 1.17s |
| #88 | Nemotron 3 Super none | NVIDIA | 10 | 5.1 | 4/18 | 8.54s |
| #90 | Qwen3.5-9B none | Qwen | 10 | 4.8 | 4/18 | 1.47s |
| #70 | Qwen3.5-122B-A10B none | Qwen | 11 | 5.7 | 6/18 | 3.69s |
| #78 | Trinity Large Preview none | Arcee AI | 11 | 5.3 | 5/18 | 5.07s |
| #83 | Mistral Small 4 none | Mistral | 11 | 5.2 | 5/18 | 665ms |