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) |
|---|---|---|---|---|---|---|
| #62 | Gemini 2.5 Flash none | 10 | 6.2 | 7/18 | 903ms | |
| #63 | Qwen3.5-35B-A3B none | Qwen | 9 | 6.1 | 7/18 | 3.82s |
| #64 | DeepSeek V3.2 none | DeepSeek | 8 | 6.1 | 7/18 | 12.1s |
| #65 | MiMo-V2-Pro none | Xiaomi | 9 | 6.0 | 7/18 | 2.39s |
| #66 | GPT-5.4 none | OpenAI | 10 | 5.9 | 7/18 | 1.51s |
| #67 | Qwen3.5-27B none | Qwen | 10 | 5.9 | 6/18 | 1.74s |
| #68 | gpt-oss-120b medium | OpenAI | 7 | 5.8 | 7/18 | 16.1s |
| #69 | Kimi K2.6 none | Moonshot AI | 8 | 5.8 | 7/18 | 2.05s |
| #70 | Qwen3.5-122B-A10B none | Qwen | 11 | 5.7 | 6/18 | 3.69s |
| #71 | MiniMax M2.5 medium | Minimax | 5 | 5.7 | 5/18 | 39.6s |
| #72 | Hunter Alpha none | OpenRouter | 9 | 5.7 | 6/18 | 4.58s |
| #73 | Mistral Small 4 medium | Mistral | 8 | 5.7 | 5/18 | 5.64s |
| #74 | GLM 4.7 Flash none | Z.ai | 10 | 5.6 | 5/18 | 3.35s |
| #75 | GLM 5.1 none | Z.ai | 10 | 5.6 | 5/18 | 4.33s |
| #76 | Kimi K2.5 none | Moonshot AI | 12 | 5.5 | 6/18 | 13.4s |