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) |
|---|---|---|---|---|---|---|
| #71 | Step 3.7 Flash high | Stepfun | 6 | 7.0 | 11/21 | 64.5s |
| #72 | DeepSeek V3.2 medium | DeepSeek | 5 | 7.0 | 11/21 | 68.7s |
| #73 | Seed-2.0-Mini medium | Bytedance Seed | 4 | 6.9 | 11/21 | 80.2s |
| #74 | Qwen3.6 Max Preview none | Qwen | 10 | 6.9 | 11/21 | 3.30s |
| #75 | Ring-2.6-1T medium | Inclusionai | 6 | 6.9 | 11/21 | 61.3s |
| #77 | Claude Sonnet 4.6 none | Anthropic | 5 | 6.8 | 11/21 | 5.04s |
| #82 | Hy3 preview high | Tencent | 3 | 6.6 | 11/21 | 56.6s |
| #62 | Step 3.5 Flash medium | Stepfun | 4 | 7.2 | 11/20 | 72.5s |
| #53 | Gemini 3.1 Flash Lite high | 4 | 7.3 | 10/18 | 62.0s | |
| #39 | Qwen3.6 Flash medium | Qwen | 8 | 7.5 | 12/21 | 19.2s |
| #43 | MiMo-V2.5-Pro medium | Xiaomi | 3 | 7.5 | 12/21 | 26.1s |
| #45 | GPT-5.4 Mini medium | OpenAI | 6 | 7.5 | 12/21 | 22.3s |
| #49 | Qwen3.5-Flash medium | Qwen | 4 | 7.4 | 12/21 | 63.3s |
| #51 | Mimo V2 PRO medium | Xiaomi | 5 | 7.4 | 12/21 | 22.2s |
| #54 | GPT-5 Mini medium | OpenAI | 5 | 7.3 | 12/21 | 23.6s |