Fallos AI BENCHY
Fallos por Respuesta incorrecta
Mira qué modelos de IA se encuentran con Respuesta incorrecta con más frecuencia para detectar riesgos de fiabilidad antes de elegir. Ordenar por: Puntuación ↑.
Categorías
En la categoría Específico del dominio314 En la categoría Trucos anti-IA245 En la categoría Programación194 En la categoría Resolución de acertijos147 En la categoría Cultura general130 En la categoría Seguimiento de instrucciones53 En la categoría Combinado52 En la categoría Análisis y extracción de datos35 En la categoría Inteligencia general32 En la categoría Llamada de herramientas2
| Rango | Modelo | Empresa | Cantidad de Respuesta incorrecta | Puntuación | Pruebas correctas | Tiempo de respuesta (promedio) |
|---|---|---|---|---|---|---|
| #148 | GPT-5.4 Nano none | OpenAI | 15 | 4.7 | 4/21 | 1.48s |
| #147 | GPT-4o-mini none | OpenAI | 15 | 4.8 | 5/21 | 1.77s |
| #146 | Laguna Xs.2 none | Poolside | 8 | 4.8 | 5/19 | 806ms |
| #145 | Laguna M.1 none | Poolside | 10 | 4.8 | 4/19 | 2.89s |
| #144 | GPT-5.4 Mini none | OpenAI | 13 | 4.9 | 5/21 | 1.13s |
| #143 | MiMo-V2.5 none | Xiaomi | 14 | 4.9 | 5/21 | 2.20s |
| #142 | Mistral Small 4 none | Mistral | 15 | 4.9 | 5/21 | 630ms |
| #141 | Nemotron 3 Super none | NVIDIA | 14 | 4.9 | 5/21 | 5.30s |
| #140 | Qwen3 Coder Next none | Qwen | 14 | 4.9 | 5/21 | 8.62s |
| #139 | DeepSeek V4 Flash none | DeepSeek | 12 | 5.0 | 5/21 | 26.8s |
| #138 | Ling-2.6-flash none | Inclusionai | 9 | 5.0 | 6/21 | 9.34s |
| #137 | Elephant Alpha none | Openrouter | 9 | 5.1 | 5/21 | 1.22s |
| #136 | Elephant Alpha medium | Openrouter | 9 | 5.1 | 6/21 | 1.27s |
| #135 | Kimi K2.5 none | Moonshot AI | 15 | 5.2 | 6/21 | 13.2s |
| #134 | GLM 5 Turbo none | Z.ai | 13 | 5.2 | 6/21 | 2.82s |