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) |
|---|---|---|---|---|---|---|
| #16 | Gemini 3 Flash Preview low | 5 | 8.4 | 16/21 | 5.76s | |
| #17 | GLM 5 medium | Z.ai | 3 | 8.3 | 15/21 | 33.5s |
| #18 | Qwen3.7 Plus medium | Qwen | 5 | 8.2 | 15/21 | 38.9s |
| #19 | Seed-2.0-Lite medium | Bytedance Seed | 5 | 8.2 | 14/21 | 47.1s |
| #20 | Gemini 3.5 Flash none | 3 | 8.1 | 15/21 | 9.93s | |
| #21 | GPT-5.4 medium | OpenAI | 5 | 8.0 | 14/21 | 22.3s |
| #22 | Step 3.7 Flash medium | Stepfun | 5 | 8.0 | 14/21 | 20.4s |
| #23 | GLM 5 Turbo medium | Z.ai | 4 | 8.0 | 14/21 | 23.0s |
| #24 | GPT-5.2 Chat none | OpenAI | 6 | 7.9 | 14/21 | 7.13s |
| #25 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 4 | 7.9 | 14/21 | 73.8s |
| #26 | Qwen3.6 Plus medium | Qwen | 5 | 7.9 | 14/21 | 30.7s |
| #27 | Gemma 4 31B medium | 2 | 7.8 | 14/21 | 56.5s | |
| #28 | Gemini 2.5 Flash medium | 6 | 7.8 | 14/21 | 15.5s | |
| #29 | Qwen3.5-122B-A10B medium | Qwen | 5 | 7.8 | 14/21 | 42.5s |
| #30 | Qwen3.5-27B medium | Qwen | 4 | 7.8 | 13/21 | 68.4s |