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۔
| درجہ | ماڈل | کمپنی | غلط جواب کی تعداد | اسکور | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|
| #41 | MiMo-V2-Flash medium | Xiaomi | 3 | 7.5 | 11/18 | 23.4s |
| #42 | Claude Sonnet 4.6 none | Anthropic | 3 | 7.4 | 11/18 | 4.98s |
| #47 | Grok 4.20 medium | X AI | 3 | 7.0 | 9/18 | 10.3s |
| #51 | Nemotron 3 Super medium | NVIDIA | 3 | 6.7 | 9/18 | 19.1s |
| #52 | Grok 4.1 Fast medium | X AI | 3 | 6.7 | 9/18 | 23.9s |
| #56 | Grok 4.20 Multi Agent Beta medium | X AI | 3 | 6.4 | 7/18 | 9.80s |
| #4 | Claude Opus 4.7 none | Anthropic | 2 | 9.2 | 16/18 | 3.13s |
| #8 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 2 | 8.5 | 14/18 | 46.6s |
| #13 | GLM 5 medium | Z.ai | 2 | 8.4 | 13/18 | 23.3s |
| #24 | Gemma 4 26B A4B medium | 2 | 8.0 | 13/18 | 25.0s | |
| #26 | Claude Sonnet 4.6 medium | Anthropic | 2 | 8.0 | 13/18 | 12.7s |
| #34 | Kimi K2.6 medium | Moonshot AI | 2 | 7.7 | 11/18 | 45.2s |
| #37 | Claude Opus 4.6 medium | Anthropic | 2 | 7.6 | 12/18 | 21.1s |
| #39 | Seed-2.0-Mini medium | Bytedance Seed | 2 | 7.5 | 11/18 | 69.7s |
| #40 | GPT-5.2 medium | OpenAI | 2 | 7.5 | 11/18 | 14.0s |