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.
Motivos de fallo
| Rango | Modelo | Empresa | Cantidad de No siguió las instrucciones | Puntuación de categoría | Pruebas correctas | Tiempo de respuesta (promedio) |
|---|---|---|---|---|---|---|
| #45 | GPT-5 Mini medium | OpenAI | 1 | 5.6 | 1/3 | 14.1s |
| #46 | Kimi K2.5 medium | Moonshot AI | 1 | 5.3 | 1/3 | 45.4s |
| #48 | Gemma 4 31B none | 1 | 5.5 | 1/3 | 2.95s | |
| #50 | Hunter Alpha medium | OpenRouter | 1 | 6.1 | 1/3 | 5.36s |
| #52 | Grok 4.1 Fast medium | X AI | 1 | 5.3 | 1/3 | 8.08s |
| #55 | MiMo-V2-Omni none | Xiaomi | 1 | 8.0 | 2/3 | 2.71s |
| #57 | GPT-5 Nano medium | OpenAI | 1 | 5.3 | 1/3 | 19.8s |
| #58 | GLM 5V Turbo none | Z.ai | 1 | 5.3 | 1/3 | 2.22s |
| #59 | Qwen3.5-Flash none | Qwen | 1 | 3.3 | 0/3 | 5.90s |
| #60 | Gemma 4 26B A4B none | 1 | 5.7 | 1/3 | 739ms | |
| #62 | Gemini 2.5 Flash none | 1 | 5.7 | 1/3 | 576ms | |
| #63 | Qwen3.5-35B-A3B none | Qwen | 1 | 3.9 | 0/3 | 1.34s |
| #65 | MiMo-V2-Pro none | Xiaomi | 1 | 6.0 | 1/3 | 1.83s |
| #66 | GPT-5.4 none | OpenAI | 1 | 5.6 | 1/3 | 1.52s |
| #67 | Qwen3.5-27B none | Qwen | 1 | 6.7 | 1/3 | 1.37s |