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: اسکور ↑.
| درجہ | ماڈل | کمپنی | غلط جواب کی تعداد | اسکور | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|
| #58 | Gemini 3.1 Flash Lite Preview none | 7 | 7.2 | 12/21 | 1.21s | |
| #57 | Step 3.7 Flash low | Stepfun | 8 | 7.3 | 12/21 | 15.7s |
| #56 | MiMo-V2.5 medium | Xiaomi | 5 | 7.3 | 12/21 | 27.1s |
| #55 | GLM 5.1 medium | Z.ai | 4 | 7.3 | 12/21 | 33.7s |
| #54 | GPT-5 Mini medium | OpenAI | 5 | 7.3 | 12/21 | 23.6s |
| #53 | Gemini 3.1 Flash Lite high | 4 | 7.3 | 10/18 | 62.0s | |
| #52 | Claude Sonnet 4.6 medium | Anthropic | 4 | 7.4 | 13/21 | 17.1s |
| #51 | Mimo V2 PRO medium | Xiaomi | 5 | 7.4 | 12/21 | 22.2s |
| #50 | Gemini 3.1 Flash Lite Preview low | 7 | 7.4 | 13/21 | 2.77s | |
| #49 | Qwen3.5-Flash medium | Qwen | 4 | 7.4 | 12/21 | 63.3s |
| #48 | Gemini 3 Flash Preview none | 8 | 7.4 | 13/21 | 1.65s | |
| #47 | Grok Build 0.1 medium | X AI | 5 | 7.4 | 13/21 | 49.9s |
| #46 | Qwen3.6 35B A3B medium | Qwen | 4 | 7.4 | 13/21 | 18.1s |
| #45 | GPT-5.4 Mini medium | OpenAI | 6 | 7.5 | 12/21 | 22.3s |
| #44 | Gemini 3.1 Flash Lite medium | 7 | 7.5 | 13/21 | 3.23s |