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: ردِعمل کا وقت (اوسط) ↑.
| درجہ | ماڈل | کمپنی | غلط جواب کی تعداد | اسکور | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|
| #10 | Claude Opus 4.8 medium | Anthropic | 3 | 8.7 | 17/21 | 9.66s |
| #84 | Grok 4.20 Multi Agent Beta medium | X AI | 4 | 6.6 | 8/18 | 9.69s |
| #13 | Grok 4.20 Beta medium | X AI | 3 | 8.5 | 14/18 | 9.75s |
| #6 | GPT-5.5 low | OpenAI | 3 | 9.0 | 18/21 | 9.76s |
| #121 | Owl Alpha none | Openrouter | 10 | 5.5 | 7/21 | 9.88s |
| #20 | Gemini 3.5 Flash none | 3 | 8.1 | 15/21 | 9.93s | |
| #79 | Hunter Alpha medium | OpenRouter | 4 | 6.7 | 8/18 | 10.3s |
| #111 | Owl Alpha medium | Openrouter | 10 | 5.7 | 8/21 | 11.9s |
| #70 | GPT-5.4 Nano medium | OpenAI | 8 | 7.0 | 11/21 | 12.0s |
| #113 | DeepSeek V4 Pro none | DeepSeek | 10 | 5.7 | 7/21 | 12.4s |
| #156 | Hy3 preview none | Tencent | 8 | 4.4 | 4/21 | 12.9s |
| #135 | Kimi K2.5 none | Moonshot AI | 15 | 5.2 | 6/21 | 13.2s |
| #124 | Kimi K2.6 none | Moonshot AI | 11 | 5.5 | 7/21 | 13.3s |
| #133 | DeepSeek V3.2 none | DeepSeek | 7 | 5.2 | 6/21 | 13.8s |
| #92 | Laguna M.1 medium | Poolside | 4 | 6.4 | 9/19 | 14.7s |