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) |
|---|---|---|---|---|---|---|
| #35 | Gemini 3 PRO Preview medium | 3 | 7.6 | 14/21 | 9.05s | |
| #2 | Gemini 3.5 Flash high | 1 | 9.6 | 20/21 | 8.84s | |
| #140 | Qwen3 Coder Next none | Qwen | 14 | 4.9 | 5/21 | 8.62s |
| #150 | Qwen3 Coder Next medium | Qwen | 13 | 4.6 | 4/21 | 8.58s |
| #159 | Ling-2.6-1T none | Inclusionai | 12 | 4.3 | 3/21 | 7.72s |
| #24 | GPT-5.2 Chat none | OpenAI | 6 | 7.9 | 14/21 | 7.13s |
| #107 | Laguna Xs.2 medium | Poolside | 6 | 5.8 | 6/19 | 6.73s |
| #63 | GPT-5.3 Chat none | OpenAI | 7 | 7.2 | 12/21 | 6.34s |
| #102 | Gemma 4 26B A4B none | 10 | 6.0 | 8/21 | 5.91s | |
| #16 | Gemini 3 Flash Preview low | 5 | 8.4 | 16/21 | 5.76s | |
| #141 | Nemotron 3 Super none | NVIDIA | 14 | 4.9 | 5/21 | 5.30s |
| #77 | Claude Sonnet 4.6 none | Anthropic | 5 | 6.8 | 11/21 | 5.04s |
| #7 | Gemini 3.5 Flash medium | 2 | 9.0 | 18/21 | 4.94s | |
| #11 | Claude Opus 4.7 medium | Anthropic | 3 | 8.7 | 17/21 | 4.73s |
| #116 | Hunter Alpha none | OpenRouter | 9 | 5.7 | 6/18 | 4.70s |