AI BENCHY
Comparar Gráficos Metodología
❤️ Made by XCS
Your ad here

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: Cantidad de fallos ↑.

Modelos mostrados

41

Fallos totales

77

Rango Modelo Empresa Cantidad de No siguió las instrucciones Puntaje prom. Pruebas correctas Tiempo de respuesta (promedio)
#8 Gemini 3.1 Flash Lite Preview high Google 1 8.2 12/16 68.8s
#12 Gemini 3.1 Flash Lite Preview medium Google 1 7.5 11/16 3.83s
#14 GLM 5 medium Z.ai 1 7.4 11/16 16.2s
#15 GPT-5.2 Chat none OpenAI 1 7.4 11/16 7.03s
#16 Gemini 2.5 Flash medium Google 1 7.4 11/16 12.4s
#17 Gemini 3.1 Flash Lite Preview low Google 1 7.3 11/16 3.36s
#18 DeepSeek V3.2 medium DeepSeek 1 7.3 11/16 39.5s
#21 MiMo-V2-Flash medium Xiaomi 1 7.2 11/16 25.3s
#23 Seed-2.0-Mini medium Bytedance Seed 1 6.9 10/16 65.1s
#24 Qwen3.5-Flash medium Qwen 1 6.9 10/16 70.8s
#25 Claude Sonnet 4.6 none Anthropic 1 6.8 10/16 5.57s
#37 Qwen3.5-Flash none Qwen 1 5.2 7/16 3.54s
#38 Gemini 2.5 Flash none Google 1 5.2 6/16 923ms
#40 Qwen3.5-122B-A10B none Qwen 1 5.0 6/16 3.72s
#44 GPT-5.4 none OpenAI 1 4.5 6/16 1.48s
#47 GPT-4o-mini none OpenAI 1 4.0 4/16 2.07s
#48 Qwen3 Coder Next none Qwen 1 4.0 4/16 11.7s
#51 Mercury 2 none Inception 1 3.4 4/16 596ms
#54 MiMo-V2-Flash none Xiaomi 1 2.9 3/16 2.97s
#3 GPT-5.3-Codex medium OpenAI 2 8.4 12/16 16.6s
#7 Qwen3.5-27B medium Qwen 2 8.2 12/16 52.1s
#9 GPT-5.4 medium OpenAI 2 8.0 12/16 20.1s
#19 GPT-5.3 Chat none OpenAI 2 7.3 10/16 5.96s
#22 Gemini 3.1 Flash Lite Preview none Google 2 7.1 10/16 1.33s
#28 Kimi K2.5 medium Moonshot AI 2 6.4 9/16 69.8s
#41 Qwen3.5-27B none Qwen 2 4.9 5/16 1.75s
#42 Qwen3.5-35B-A3B none Qwen 2 4.7 6/16 4.10s
#45 Trinity Large Preview none Arcee AI 2 4.2 5/16 3.15s
#49 GLM 4.7 Flash none Z.ai 2 3.9 4/16 2.99s
#52 GLM 4.7 Flash medium Z.ai 2 3.1 4/16 36.8s
#53 Grok 4.1 Fast none X AI 2 2.9 3/16 1.90s
#55 LFM2-24B-A2B none Liquid 2 2.6 1/16 811ms
#13 Step 3.5 Flash medium Stepfun 3 7.4 10/16 29.1s
#27 GPT-5.2 medium OpenAI 3 6.5 10/16 15.3s
#30 Grok 4.1 Fast medium X AI 3 6.2 9/16 26.3s
#34 GPT-5 Nano medium OpenAI 3 5.5 7/16 47.9s
#43 MiniMax M2.5 medium Minimax 3 4.7 5/16 43.0s
#32 GPT-5 Mini medium OpenAI 4 6.0 8/16 25.1s
#36 Mercury 2 medium Inception 4 5.3 7/16 2.36s
#39 gpt-oss-120b medium OpenAI 4 5.1 7/16 16.7s
#50 Qwen3 Coder Next medium Qwen 5 3.5 3/16 12.5s

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)