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) ↑.
دکھائے گئے ماڈلز
15
کل ناکامیاں
2265
سب سے زیادہ متاثر ماڈل
Nemotron 3 Nano Omni 30b A3b Reasoning 9
313/313
ماڈلز فلٹر کریں
موجودہ تلاش اور فلٹرز سے کوئی ماڈل مطابقت نہیں رکھتا۔
| درجہ | ماڈل | کمپنی | غلط جواب کی تعداد | اسکور | کل لاگت | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|---|
| #165 | Inkling Small medium | Thinkingmachines | 6 | 6.6 | $0.113 | 10/22 | 6.30s |
| #112 | Gemini 3 Flash Preview low | 6 | 7.4 | $0.185 | 16/22 | 6.51s | |
| #98 | GPT 5.3 Chat none | OpenAI | 6 | 7.5 | $0.533 | 13/22 | 6.56s |
| #299 | Laguna Xs.2 medium | Poolside | 6 | 4.1 | $0.015 | 6/19 | 6.73s |
| #221 | GLM 5.1 none | Z.ai | 12 | 5.7 | $0.164 | 8/22 | 6.74s |
| #213 | Seed 2.1 Turbo none | Bytedance Seed | 11 | 5.9 | $0.092 | 10/22 | 6.84s |
| #79 | GPT-5.6 Terra medium | OpenAI | 8 | 7.8 | $0.523 | 14/22 | 6.85s |
| #37 | Claude Opus 5 low | Anthropic | 4 | 8.7 | $1.121 | 18/22 | 6.99s |
| #108 | GPT-5.6 Luna medium | OpenAI | 9 | 7.4 | $0.072 | 13/22 | 7.43s |
| #228 | Gemma 4 26B A4B none | 9 | 5.6 | $0.015 | 9/22 | 7.58s | |
| #40 | Claude Opus 4.7 medium | Anthropic | 3 | 8.7 | $1.476 | 18/22 | 7.62s |
| #94 | Claude Opus 5 none | Anthropic | 6 | 7.5 | $1.550 | 12/22 | 7.65s |
| #113 | Claude Sonnet 4.6 none | Anthropic | 5 | 7.3 | $0.661 | 12/22 | 7.67s |
| #72 | GPT-5.2 Chat none | OpenAI | 6 | 7.9 | $0.594 | 13/22 | 7.73s |
| #174 | Qwen3.6 Max Preview none | Qwen | 11 | 6.4 | $0.228 | 11/22 | 7.82s |