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) |
|---|---|---|---|---|---|---|
| #46 | Kimi K2.5 medium | Moonshot AI | 4 | 7.0 | 9/18 | 72.4s |
| #47 | Grok 4.20 medium | X AI | 3 | 7.0 | 9/18 | 10.3s |
| #49 | Qwen3.5 Plus 2026-02-15 none | Qwen | 9 | 6.8 | 9/18 | 2.60s |
| #51 | Nemotron 3 Super medium | NVIDIA | 3 | 6.7 | 9/18 | 19.1s |
| #52 | Grok 4.1 Fast medium | X AI | 3 | 6.7 | 9/18 | 23.9s |
| #53 | GLM 5 none | Z.ai | 9 | 6.6 | 9/18 | 4.23s |
| #50 | Hunter Alpha medium | OpenRouter | 4 | 6.7 | 8/18 | 10.3s |
| #54 | Mercury 2 medium | Inception | 6 | 6.5 | 8/18 | 2.21s |
| #55 | MiMo-V2-Omni none | Xiaomi | 8 | 6.5 | 8/18 | 1.99s |
| #58 | GLM 5V Turbo none | Z.ai | 8 | 6.2 | 8/18 | 3.10s |
| #59 | Qwen3.5-Flash none | Qwen | 9 | 6.2 | 8/18 | 3.25s |
| #61 | Seed-2.0-Lite none | Bytedance Seed | 10 | 6.2 | 8/18 | 2.53s |
| #56 | Grok 4.20 Multi Agent Beta medium | X AI | 3 | 6.4 | 7/18 | 9.80s |
| #57 | GPT-5 Nano medium | OpenAI | 7 | 6.3 | 7/18 | 44.1s |
| #60 | Gemma 4 26B A4B none | 7 | 6.2 | 7/18 | 6.59s |