Fallos por categoría de AI BENCHY
Resolución de acertijos: No siguió las instrucciones
Resolución de acertijos
No siguió las instrucciones
Mira qué modelos de IA tienen más probabilidades de caer en No siguió las instrucciones dentro de Resolución de acertijos, para detectar puntos débiles más rápido. Ordenar por: Pruebas correctas ↑.
Motivos de fallo
| Rango | Modelo | Empresa | Cantidad de No siguió las instrucciones | Puntuación de categoría | Pruebas correctas | Tiempo de respuesta (promedio) |
|---|---|---|---|---|---|---|
| #42 | Kimi K2.6 medium | Moonshot AI | 2 | 5.0 | 0/3 | 25.6s |
| #46 | GPT-5.4 Nano medium | OpenAI | 2 | 4.0 | 0/3 | 3.65s |
| #61 | Nemotron 3 Super medium | NVIDIA | 2 | 3.5 | 0/3 | 8.39s |
| #65 | Mercury 2 medium | Inception | 2 | 3.9 | 0/3 | 934ms |
| #70 | Qwen3.5-Flash none | Qwen | 1 | 3.3 | 0/3 | 5.90s |
| #74 | Qwen3.5-35B-A3B none | Qwen | 1 | 3.9 | 0/3 | 1.34s |
| #79 | gpt-oss-120b medium | OpenAI | 2 | 3.2 | 0/3 | 11.8s |
| #80 | Kimi K2.6 none | Moonshot AI | 2 | 3.4 | 0/3 | 1.66s |
| #85 | Mistral Small 4 medium | Mistral | 2 | 3.4 | 0/3 | 2.00s |
| #86 | GLM 4.7 Flash none | Z.ai | 2 | 4.4 | 0/3 | 1.00s |
| #90 | Ling 2.6 Flash none | Inclusionai | 2 | 2.9 | 0/3 | 11.6s |
| #92 | DeepSeek V4 Flash none | DeepSeek | 2 | 3.1 | 0/3 | 23.0s |
| #94 | MiniMax M2.7 medium | Minimax | 2 | 3.8 | 0/3 | 25.6s |
| #95 | Elephant Alpha medium | Openrouter | 2 | 3.7 | 0/3 | 867ms |
| #97 | Mistral Small 4 none | Mistral | 2 | 3.1 | 0/3 | 589ms |