AI BENCHY
Comparar Gráficos Metodología
❤️ Made by XCS
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

Fallos por categoría de AI BENCHY

Inteligencia general
No siguió las instrucciones

Mira qué modelos de IA tienen más probabilidades de caer en No siguió las instrucciones dentro de Inteligencia general, para detectar puntos débiles más rápido. Ordenar por: Cantidad de fallos ↑.

Modelos mostrados

32

Fallos totales

32

Modelo más afectado

GPT-5.3-Codex 1
Rango Modelo Empresa Cantidad de No siguió las instrucciones Puntuación de categoría Pruebas correctas Tiempo de respuesta (promedio)
#3 GPT-5.3-Codex medium OpenAI 1 4.0 0/1 4.87s
#7 Qwen3.5-27B medium Qwen 1 5.0 0/1 101.4s
#9 GPT-5.4 medium OpenAI 1 5.0 0/1 4.92s
#13 Step 3.5 Flash medium Stepfun 1 6.0 0/1 6.54s
#14 GLM 5 medium Z.ai 1 5.0 0/1 14.7s
#15 GPT-5.2 Chat none OpenAI 1 4.0 0/1 3.20s
#16 Gemini 2.5 Flash medium Google 1 4.0 0/1 4.86s
#17 Gemini 3.1 Flash Lite Preview low Google 1 3.0 0/1 1.54s
#18 DeepSeek V3.2 medium DeepSeek 1 3.0 0/1 31.3s
#19 GPT-5.3 Chat none OpenAI 1 4.0 0/1 1.99s
#21 MiMo-V2-Flash medium Xiaomi 1 3.0 0/1 4.20s
#22 Gemini 3.1 Flash Lite Preview none Google 1 3.0 0/1 741ms
#23 Seed-2.0-Mini medium Bytedance Seed 1 6.0 0/1 36.7s
#24 Qwen3.5-Flash medium Qwen 1 5.0 0/1 40.1s
#25 Claude Sonnet 4.6 none Anthropic 1 5.0 0/1 2.56s
#27 GPT-5.2 medium OpenAI 1 10.0 0/1 4.32s
#28 Kimi K2.5 medium Moonshot AI 1 6.0 0/1 69.7s
#30 Grok 4.1 Fast medium X AI 1 3.0 0/1 16.2s
#32 GPT-5 Mini medium OpenAI 1 4.0 0/1 13.5s
#34 GPT-5 Nano medium OpenAI 1 3.0 0/1 17.5s
#36 Mercury 2 medium Inception 1 4.0 0/1 821ms
#39 gpt-oss-120b medium OpenAI 1 3.0 0/1 7.90s
#40 Qwen3.5-122B-A10B none Qwen 1 5.0 0/1 1.12s
#41 Qwen3.5-27B none Qwen 1 5.0 0/1 2.51s
#42 Qwen3.5-35B-A3B none Qwen 1 6.0 0/1 1.19s
#43 MiniMax M2.5 medium Minimax 1 3.0 0/1 6.63s
#45 Trinity Large Preview none Arcee AI 1 3.0 0/1 2.86s
#50 Qwen3 Coder Next medium Qwen 1 6.0 0/1 1.39s
#51 Mercury 2 none Inception 1 4.0 0/1 628ms
#53 Grok 4.1 Fast none X AI 1 3.0 0/1 1.08s
#54 MiMo-V2-Flash none Xiaomi 1 4.0 0/1 1.67s
#55 LFM2-24B-A2B none Liquid 1 3.0 0/1 395ms

Mejores modelos por Cantidad de No siguió las instrucciones

Cantidad de No siguió las instrucciones vs puntuación promedio

Mejores modelos por Tiempo de respuesta (promedio)

Mejores modelos por Costo desperdiciado estimado