غلط جواب ناکامی درجہ بندی

AI BENCHY 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: درست ٹیسٹس ↓.

دکھائے گئے ماڈلز

کل ناکامیاں

1204

سب سے زیادہ متاثر ماڈل

زمرے

زمرہ ڈومین مخصوص میں314 زمرہ اینٹی اے آئی چالیں میں245 زمرہ کوڈنگ میں194 زمرہ پہیلی حل کرنا میں147 زمرہ معلومات عامہ میں130 زمرہ ہدایات کی پیروی میں53 زمرہ مشترکہ میں52 زمرہ ڈیٹا پارسنگ اور استخراج میں35 زمرہ عمومی ذہانت میں32 زمرہ ٹول کالنگ میں2

درجہ	ماڈل	کمپنی	غلط جواب کی تعداد	اسکور	درست ٹیسٹس	ردِعمل کا وقت (اوسط)
#1	Gemini 3 Flash Preview medium	Google	1	9.8	20/21	18.6s
#2	Gemini 3.5 Flash high	Google	1	9.6	20/21	8.84s
#3	Gemini 3.5 Flash low	Google	2	9.4	19/21	3.27s
#4	Gemini 3.1 Pro Preview medium	Google	2	9.4	19/21	20.1s
#5	Qwen3.7 Max medium	Qwen	3	9.1	18/21	16.0s
#6	GPT-5.5 low	OpenAI	3	9.0	18/21	9.76s
#7	Gemini 3.5 Flash medium	Google	2	9.0	18/21	4.94s
#8	Claude Opus 4.7 none	Anthropic	3	8.9	16/19	3.02s
#12	Gemini 3.1 Flash Lite Preview high	Google	2	8.6	13/16	68.1s
#9	GPT-5.5 medium	OpenAI	4	8.8	17/21	38.0s
#10	Claude Opus 4.8 medium	Anthropic	3	8.7	17/21	9.66s
#11	Claude Opus 4.7 medium	Anthropic	3	8.7	17/21	4.73s
#13	Grok 4.20 Beta medium	X AI	3	8.5	14/18	9.75s
#14	Qwen3.6 Max Preview medium	Qwen	5	8.5	16/21	59.6s
#16	Gemini 3 Flash Preview low	Google	5	8.4	16/21	5.76s

1 2 11

→

غلط جواب ناکامیاں