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) |
|---|---|---|---|---|---|---|
| #49 | Qwen3.5-Flash medium | Qwen | 4 | 7.4 | 12/21 | 63.3s |
| #53 | Gemini 3.1 Flash Lite high | 4 | 7.3 | 10/18 | 62.0s | |
| #75 | Ring-2.6-1T medium | Inclusionai | 6 | 6.9 | 11/21 | 61.3s |
| #78 | Qwen3.6 27B medium | Qwen | 6 | 6.8 | 10/21 | 59.7s |
| #14 | Qwen3.6 Max Preview medium | Qwen | 5 | 8.5 | 16/21 | 59.6s |
| #82 | Hy3 preview high | Tencent | 3 | 6.6 | 11/21 | 56.6s |
| #27 | Gemma 4 31B medium | 2 | 7.8 | 14/21 | 56.5s | |
| #96 | Ring-2.6-1T none | Inclusionai | 5 | 6.2 | 9/21 | 55.1s |
| #47 | Grok Build 0.1 medium | X AI | 5 | 7.4 | 13/21 | 49.9s |
| #38 | Grok 4.3 medium | X AI | 5 | 7.6 | 13/21 | 47.5s |
| #19 | Seed-2.0-Lite medium | Bytedance Seed | 5 | 8.2 | 14/21 | 47.1s |
| #36 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 8 | 7.6 | 13/21 | 46.4s |
| #31 | DeepSeek V4 Flash high | DeepSeek | 6 | 7.7 | 13/21 | 45.8s |
| #94 | GPT-5 Nano medium | OpenAI | 9 | 6.3 | 9/21 | 42.5s |
| #29 | Qwen3.5-122B-A10B medium | Qwen | 5 | 7.8 | 14/21 | 42.5s |