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) |
|---|---|---|---|---|---|---|
| #137 | Elephant Alpha none | Openrouter | 9 | 5.1 | 5/21 | 1.22s |
| #58 | Gemini 3.1 Flash Lite Preview none | 7 | 7.2 | 12/21 | 1.21s | |
| #106 | Grok 4.20 Beta none | X AI | 10 | 5.8 | 6/18 | 1.19s |
| #144 | GPT-5.4 Mini none | OpenAI | 13 | 4.9 | 5/21 | 1.13s |
| #127 | Grok 4.20 none | X AI | 10 | 5.4 | 6/18 | 1.11s |
| #90 | Gemini 3.1 Flash Lite none | 11 | 6.4 | 9/21 | 1.06s | |
| #97 | Gemini 2.5 Flash none | 12 | 6.2 | 9/21 | 875ms | |
| #146 | Laguna Xs.2 none | Poolside | 8 | 4.8 | 5/19 | 806ms |
| #160 | LFM2-24B-A2B none | Liquid | 9 | 4.2 | 2/16 | 782ms |
| #162 | Nemotron 3 Nano Omni 30b A3b Reasoning none | NVIDIA | 9 | 4.1 | 2/19 | 728ms |
| #163 | Granite 4.1 8B none | IBM Granite | 13 | 4.0 | 2/21 | 728ms |
| #155 | Mercury 2 none | Inception | 16 | 4.5 | 4/21 | 653ms |
| #142 | Mistral Small 4 none | Mistral | 15 | 4.9 | 5/21 | 630ms |