Fallos AI BENCHY
Fallos por No siguió las instrucciones
Mira qué modelos de IA se encuentran con No siguió las instrucciones con más frecuencia para detectar riesgos de fiabilidad antes de elegir. Ordenar por: Puntuación ↑.
Categorías
| Rango | Modelo | Empresa | Cantidad de No siguió las instrucciones | Puntuación | Pruebas correctas | Tiempo de respuesta (promedio) |
|---|---|---|---|---|---|---|
| #73 | Seed-2.0-Mini medium | Bytedance Seed | 1 | 6.9 | 11/21 | 80.2s |
| #72 | DeepSeek V3.2 medium | DeepSeek | 1 | 7.0 | 11/21 | 68.7s |
| #70 | GPT-5.4 Nano medium | OpenAI | 2 | 7.0 | 11/21 | 12.0s |
| #68 | Claude Opus 4.8 none | Anthropic | 1 | 7.0 | 12/21 | 3.47s |
| #69 | Claude Opus 4.6 medium | Anthropic | 1 | 7.0 | 12/21 | 25.9s |
| #67 | MiniMax M3 medium | Minimax | 2 | 7.1 | 11/21 | 68.2s |
| #65 | Grok 4.20 medium | X AI | 2 | 7.1 | 12/21 | 27.7s |
| #64 | MiMo-V2-Flash medium | Xiaomi | 1 | 7.2 | 12/21 | 20.1s |
| #63 | GPT-5.3 Chat none | OpenAI | 2 | 7.2 | 12/21 | 6.34s |
| #62 | Step 3.5 Flash medium | Stepfun | 3 | 7.2 | 11/20 | 72.5s |
| #60 | Kimi K2.6 medium | Moonshot AI | 2 | 7.2 | 12/21 | 71.7s |
| #59 | GLM 5V Turbo medium | Z.ai | 1 | 7.2 | 11/21 | 23.1s |
| #58 | Gemini 3.1 Flash Lite Preview none | 2 | 7.2 | 12/21 | 1.21s | |
| #56 | MiMo-V2.5 medium | Xiaomi | 1 | 7.3 | 12/21 | 27.1s |
| #54 | GPT-5 Mini medium | OpenAI | 3 | 7.3 | 12/21 | 23.6s |