AI BENCHY
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

Resolución de acertijos: Respuesta incorrecta

Resolución de acertijos
Respuesta incorrecta

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

Modelos mostrados

15

Fallos totales

147

Modelo más afectado

Qwen3.5-Flash 3

Motivos de fallo

Respuesta incorrecta147 No siguió las instrucciones78 Error de API13 Formato extra5 Tiempo agotado5 Sin respuesta1

Categorías

Específico del dominio314 Trucos anti-IA245 Programación194 Resolución de acertijos147 Cultura general130 Seguimiento de instrucciones53 Combinado52 Análisis y extracción de datos35 Inteligencia general32 Llamada de herramientas2
Rango Modelo Empresa Cantidad de Respuesta incorrecta Puntuación de categoría Pruebas correctas Tiempo de respuesta (promedio)
#124 Kimi K2.6 none Moonshot AI 2 3.1 0/3 1.40s
#127 Grok 4.20 none X AI 2 5.3 1/3 473ms
#128 Qwen3.6 Flash none Qwen 2 3.5 0/3 1.21s
#131 Qwen3.5-122B-A10B none Qwen 2 3.8 0/3 1.00s
#132 Mistral Small 4 medium Mistral 2 3.4 0/3 2.17s
#137 Elephant Alpha none Openrouter 2 4.2 0/3 807ms
#138 Ling-2.6-flash none Inclusionai 2 2.9 0/3 6.51s
#142 Mistral Small 4 none Mistral 2 3.1 0/3 399ms
#145 Laguna M.1 none Poolside 2 3.0 0/3 891ms
#147 GPT-4o-mini none OpenAI 2 3.5 0/3 1.21s
#149 Nemotron 3 Nano Omni 30b A3b Reasoning medium NVIDIA 2 2.9 0/3 1.40s
#150 Qwen3 Coder Next medium Qwen 2 3.0 0/3 1.25s
#151 Trinity Large Preview none Arcee AI 2 3.6 0/3 1.97s
#152 MiMo-V2-Flash none Xiaomi 2 5.3 1/3 1.86s
#154 Qwen3.5-9B none Qwen 2 3.2 0/3 621ms

Mejores modelos por Cantidad de Respuesta incorrecta

Cantidad de Respuesta incorrecta vs Puntuación

Mejores modelos por Tiempo de respuesta (promedio)

Mejores modelos por Costo desperdiciado estimado