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) |
|---|---|---|---|---|---|---|
| #76 | Kimi K2.5 medium | Moonshot AI | 5 | 6.8 | 10/21 | 98.4s |
| #77 | Claude Sonnet 4.6 none | Anthropic | 5 | 6.8 | 11/21 | 5.04s |
| #78 | Qwen3.6 27B medium | Qwen | 6 | 6.8 | 10/21 | 59.7s |
| #79 | Hunter Alpha medium | OpenRouter | 4 | 6.7 | 8/18 | 10.3s |
| #80 | Mimo V2 Omni medium | Xiaomi | 5 | 6.7 | 10/21 | 41.2s |
| #81 | Mercury 2 medium | Inception | 8 | 6.6 | 10/21 | 2.24s |
| #82 | Hy3 preview high | Tencent | 3 | 6.6 | 11/21 | 56.6s |
| #83 | Step 3.5 Flash none | Stepfun | 1 | 6.6 | 6/12 | 39.0s |
| #84 | Grok 4.20 Multi Agent Beta medium | X AI | 4 | 6.6 | 8/18 | 9.69s |
| #85 | Gemma 4 31B none | 8 | 6.5 | 10/21 | 4.05s | |
| #86 | Grok 4.1 Fast medium | X AI | 4 | 6.5 | 9/19 | 23.8s |
| #87 | Gemini 3.1 Flash Lite minimal | 8 | 6.4 | 10/21 | 1.33s | |
| #88 | Qwen3.7 Plus none | Qwen | 10 | 6.4 | 10/21 | 2.85s |
| #89 | Hy3 preview low | Tencent | 4 | 6.4 | 10/21 | 24.6s |
| #90 | Gemini 3.1 Flash Lite none | 11 | 6.4 | 9/21 | 1.06s |