Ranking de Programación x Respuesta incorrecta

Fallos por categoría de AI BENCHY

Mira qué modelos de IA tienen más probabilidades de caer en Respuesta incorrecta dentro de Programación, para detectar puntos débiles más rápido.

Modelos mostrados

Fallos totales

120

Modelo más afectado

Motivos de fallo

Respuesta incorrecta120 Sin respuesta18 No siguió las instrucciones16 Tiempo agotado12 Formato extra7 Error de API6

Categorías

Específico del dominio298 Trucos anti-IA235 Resolución de acertijos148 Cultura general127 Programación120 Seguimiento de instrucciones52 Combinado51 Análisis y extracción de datos32 Inteligencia general27 Llamada de herramientas2

Rango	Modelo	Empresa	Cantidad de Respuesta incorrecta	Puntuación de categoría	Pruebas correctas	Tiempo de respuesta (promedio)
#25	Qwen3.5-27B medium	Qwen	1	7.0	1/2	123.9s
#26	Qwen3.7 Max none	Qwen	1	6.8	1/2	1.39s
#27	GPT-5.4 medium	OpenAI	1	8.2	1/2	55.0s
#33	Qwen3.6 Plus medium	Qwen	1	4.1	0/2	201.7s
#34	Gemini 3.1 Flash Lite Preview medium	Google	1	6.8	1/2	3.98s
#35	Gemini 3.1 Flash Lite medium	Google	1	6.8	1/2	3.59s
#36	Gemini 2.5 Flash medium	Google	1	6.6	1/2	54.6s
#38	Qwen3.5-122B-A10B medium	Qwen	1	4.1	0/2	119.6s
#39	Gemini 3 Flash Preview none	Google	1	6.8	1/2	2.19s
#41	Gemini 3.1 Flash Lite Preview low	Google	1	6.8	1/2	1.56s
#42	Qwen3.5 Plus 2026-04-20 medium	Qwen	1	5.4	1/2	137.5s
#43	GPT-5.2 Chat none	OpenAI	1	8.2	1/2	8.05s
#44	MiMo-V2-Pro medium	Xiaomi	1	7.5	1/2	94.2s
#45	Grok Build 0.1 medium	X AI	1	5.3	0/2	67.4s
#49	Gemini 3.1 Flash Lite Preview none	Google	1	6.8	1/2	1.06s

←

1 2 3 4 5 6 7

→

Mejores modelos por Cantidad de Respuesta incorrecta