Fallos por categoría de AI BENCHY
Programación: Respuesta incorrecta
Programación
Respuesta incorrecta
Mira qué modelos de IA tienen más probabilidades de caer en Respuesta incorrecta dentro de Programación, para detectar puntos débiles más rápido.
Motivos de fallo
134/134
Filtrar modelos
Ningún modelo coincide con la búsqueda y los filtros actuales.
| Rango | Modelo | Empresa | Cantidad de Respuesta incorrecta | Puntuación de categoría | Costo total | Pruebas correctas | Tiempo de respuesta (promedio) |
|---|---|---|---|---|---|---|---|
| #8 | Gemini 3.5 Flash low | 1 | 7.8 | $0.349 | 2/3 | 6.71s | |
| #10 | Gemini 3.1 Pro Preview medium | 1 | 7.9 | $1.054 | 2/3 | 40.2s | |
| #12 | GPT-5.5 medium | OpenAI | 1 | 8.8 | $3.679 | 2/3 | 59.8s |
| #14 | Qwen3.6 Max Preview medium | Qwen | 1 | 8.8 | $0.960 | 2/3 | 146.5s |
| #16 | Claude Opus 4.7 medium | Anthropic | 1 | 7.6 | $0.679 | 2/3 | 13.0s |
| #17 | GLM 5.2 medium | Z.ai | 1 | 8.2 | $0.179 | 2/3 | 41.0s |
| #20 | GPT-5.4 medium | OpenAI | 1 | 8.8 | $1.210 | 2/3 | 44.4s |
| #21 | Seed-2.0-Lite medium | Bytedance Seed | 1 | 8.0 | $0.175 | 2/3 | 156.7s |
| #22 | GPT-5.2 Chat none | OpenAI | 1 | 8.8 | $0.393 | 2/3 | 9.82s |
| #23 | Step 3.7 Flash medium | Stepfun | 1 | 8.8 | $0.376 | 2/3 | 27.4s |
| #26 | Grok 4.5 medium | X AI | 1 | 7.6 | $1.696 | 2/3 | 155.7s |
| #27 | DeepSeek V4 Flash high | DeepSeek | 1 | 7.8 | $0.027 | 2/3 | 50.6s |
| #28 | Gemini 2.5 Flash medium | 1 | 7.8 | $0.379 | 2/3 | 41.0s | |
| #29 | GPT-5.6 Terra high | OpenAI | 1 | 7.6 | $0.852 | 2/3 | 9.14s |
| #30 | Qwen3.7 Plus medium | Qwen | 1 | 6.1 | $0.177 | 1/3 | 108.6s |