AI BENCHY
موازنہ کریں چارٹس طریقہ کار
❤️ Made by XCS
Your ad here

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: اوسط اسکور ↓.

دکھائے گئے ماڈلز

54

کل ناکامیاں

275

سب سے زیادہ متاثر ماڈل

Gemini 3.1 Pro Preview 1
درجہ ماڈل کمپنی غلط جواب کی تعداد اوسط اسکور درست ٹیسٹس ردِعمل کا وقت (اوسط)
#2 Gemini 3.1 Pro Preview medium Google 1 9.4 15/16 16.6s
#3 GPT-5.3-Codex medium OpenAI 2 8.4 12/16 16.6s
#4 Qwen3.5 Plus 2026-02-15 medium Qwen 1 8.3 13/16 34.5s
#5 Gemini 3 Flash Preview low Google 3 8.2 13/16 6.11s
#6 Gemini 3 Pro Preview medium Google 3 8.2 13/16 7.15s
#7 Qwen3.5-27B medium Qwen 1 8.2 12/16 52.1s
#8 Gemini 3.1 Flash Lite Preview high Google 3 8.2 12/16 68.8s
#9 GPT-5.4 medium OpenAI 2 8.0 12/16 20.1s
#10 Qwen3.5-122B-A10B medium Qwen 3 7.7 12/16 29.7s
#11 Claude Sonnet 4.6 medium Anthropic 1 7.7 12/16 11.2s
#12 Gemini 3.1 Flash Lite Preview medium Google 4 7.5 11/16 3.83s
#13 Step 3.5 Flash medium Stepfun 3 7.4 10/16 29.1s
#14 GLM 5 medium Z.ai 2 7.4 11/16 16.2s
#15 GPT-5.2 Chat none OpenAI 4 7.4 11/16 7.03s
#16 Gemini 2.5 Flash medium Google 4 7.4 11/16 12.4s
#17 Gemini 3.1 Flash Lite Preview low Google 4 7.3 11/16 3.36s
#18 DeepSeek V3.2 medium DeepSeek 3 7.3 11/16 39.5s
#19 GPT-5.3 Chat none OpenAI 4 7.3 10/16 5.96s
#20 Gemini 3 Flash Preview none Google 5 7.2 11/16 1.75s
#21 MiMo-V2-Flash medium Xiaomi 3 7.2 11/16 25.3s
#22 Gemini 3.1 Flash Lite Preview none Google 4 7.1 10/16 1.33s
#23 Seed-2.0-Mini medium Bytedance Seed 1 6.9 10/16 65.1s
#24 Qwen3.5-Flash medium Qwen 1 6.9 10/16 70.8s
#25 Claude Sonnet 4.6 none Anthropic 2 6.8 10/16 5.57s
#26 Claude Opus 4.6 medium Anthropic 2 6.6 10/16 22.9s
#27 GPT-5.2 medium OpenAI 1 6.5 10/16 15.3s
#28 Kimi K2.5 medium Moonshot AI 3 6.4 9/16 69.8s
#29 Qwen3.5 Plus 2026-02-15 none Qwen 7 6.2 9/16 2.65s
#30 Grok 4.1 Fast medium X AI 2 6.2 9/16 26.3s
#31 GLM 5 none Z.ai 7 6.0 9/16 4.03s
#32 GPT-5 Mini medium OpenAI 3 6.0 8/16 25.1s
#33 DeepSeek V3.2 none DeepSeek 6 5.5 7/16 12.9s
#34 GPT-5 Nano medium OpenAI 5 5.5 7/16 47.9s
#35 Qwen3.5-35B-A3B medium Qwen 2 5.5 8/16 43.9s
#36 Mercury 2 medium Inception 5 5.3 7/16 2.36s
#37 Qwen3.5-Flash none Qwen 8 5.2 7/16 3.54s
#38 Gemini 2.5 Flash none Google 9 5.2 6/16 923ms
#39 gpt-oss-120b medium OpenAI 5 5.1 7/16 16.7s
#40 Qwen3.5-122B-A10B none Qwen 9 5.0 6/16 3.72s
#41 Qwen3.5-27B none Qwen 9 4.9 5/16 1.75s
#42 Qwen3.5-35B-A3B none Qwen 8 4.7 6/16 4.10s
#43 MiniMax M2.5 medium Minimax 5 4.7 5/16 43.0s
#44 GPT-5.4 none OpenAI 9 4.5 6/16 1.48s
#45 Trinity Large Preview none Arcee AI 9 4.2 5/16 3.15s
#46 Kimi K2.5 none Moonshot AI 11 4.1 5/16 11.9s
#47 GPT-4o-mini none OpenAI 11 4.0 4/16 2.07s
#48 Qwen3 Coder Next none Qwen 10 4.0 4/16 11.7s
#49 GLM 4.7 Flash none Z.ai 9 3.9 4/16 2.99s
#50 Qwen3 Coder Next medium Qwen 8 3.5 3/16 12.5s
#51 Mercury 2 none Inception 11 3.4 4/16 596ms
#52 GLM 4.7 Flash medium Z.ai 7 3.1 4/16 36.8s
#53 Grok 4.1 Fast none X AI 11 2.9 3/16 1.90s
#54 MiMo-V2-Flash none Xiaomi 10 2.9 3/16 2.97s
#55 LFM2-24B-A2B none Liquid 9 2.6 1/16 811ms

غلط جواب کی تعداد کے لحاظ سے سرفہرست ماڈلز

غلط جواب کی تعداد بمقابلہ اوسط اسکور

ردِعمل کا وقت (اوسط) کے لحاظ سے سرفہرست ماڈلز