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) |
|---|---|---|---|---|---|---|
| #39 | Qwen3.6 Flash medium | Qwen | 8 | 7.5 | 12/21 | 19.2s |
| #1 | Gemini 3 Flash Preview medium | 1 | 9.8 | 20/21 | 18.6s | |
| #46 | Qwen3.6 35B A3B medium | Qwen | 4 | 7.4 | 13/21 | 18.1s |
| #149 | Nemotron 3 Nano Omni 30b A3b Reasoning medium | NVIDIA | 7 | 4.6 | 4/19 | 17.1s |
| #52 | Claude Sonnet 4.6 medium | Anthropic | 4 | 7.4 | 13/21 | 17.1s |
| #42 | GPT-5.2 medium | OpenAI | 3 | 7.5 | 13/21 | 16.9s |
| #33 | Hy3 preview medium | Tencent | 3 | 7.7 | 14/21 | 16.3s |
| #15 | GPT-5.3-Codex medium | OpenAI | 4 | 8.4 | 15/21 | 16.2s |
| #5 | Qwen3.7 Max medium | Qwen | 3 | 9.1 | 18/21 | 16.0s |
| #57 | Step 3.7 Flash low | Stepfun | 8 | 7.3 | 12/21 | 15.7s |
| #28 | Gemini 2.5 Flash medium | 6 | 7.8 | 14/21 | 15.5s | |
| #93 | Qwen3.6 Plus Preview medium | Qwen | 2 | 6.3 | 9/19 | 15.2s |
| #41 | Nemotron 3 Ultra 550b A55b medium | NVIDIA | 7 | 7.5 | 13/21 | 15.1s |
| #92 | Laguna M.1 medium | Poolside | 4 | 6.4 | 9/19 | 14.7s |
| #133 | DeepSeek V3.2 none | DeepSeek | 7 | 5.2 | 6/21 | 13.8s |