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

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: Cantidad de fallos ↑.

Modelos mostrados

54

Fallos totales

275

Modelo más afectado

Gemini 3.1 Pro Preview 1
Rango Modelo Empresa Cantidad de Respuesta incorrecta Puntaje prom. Pruebas correctas Tiempo de respuesta (promedio)
#2 Gemini 3.1 Pro Preview medium Google 1 9.4 15/16 16.6s
#4 Qwen3.5 Plus 2026-02-15 medium Qwen 1 8.3 13/16 34.5s
#7 Qwen3.5-27B medium Qwen 1 8.2 12/16 52.1s
#11 Claude Sonnet 4.6 medium Anthropic 1 7.7 12/16 11.2s
#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
#27 GPT-5.2 medium OpenAI 1 6.5 10/16 15.3s
#3 GPT-5.3-Codex medium OpenAI 2 8.4 12/16 16.6s
#9 GPT-5.4 medium OpenAI 2 8.0 12/16 20.1s
#14 GLM 5 medium Z.ai 2 7.4 11/16 16.2s
#25 Claude Sonnet 4.6 none Anthropic 2 6.8 10/16 5.57s
#26 Claude Opus 4.6 medium Anthropic 2 6.6 10/16 22.9s
#30 Grok 4.1 Fast medium X AI 2 6.2 9/16 26.3s
#35 Qwen3.5-35B-A3B medium Qwen 2 5.5 8/16 43.9s
#5 Gemini 3 Flash Preview low Google 3 8.2 13/16 6.11s
#6 Gemini 3 Pro Preview medium Google 3 8.2 13/16 7.15s
#8 Gemini 3.1 Flash Lite Preview high Google 3 8.2 12/16 68.8s
#10 Qwen3.5-122B-A10B medium Qwen 3 7.7 12/16 29.7s
#13 Step 3.5 Flash medium Stepfun 3 7.4 10/16 29.1s
#18 DeepSeek V3.2 medium DeepSeek 3 7.3 11/16 39.5s
#21 MiMo-V2-Flash medium Xiaomi 3 7.2 11/16 25.3s
#28 Kimi K2.5 medium Moonshot AI 3 6.4 9/16 69.8s
#32 GPT-5 Mini medium OpenAI 3 6.0 8/16 25.1s
#12 Gemini 3.1 Flash Lite Preview medium Google 4 7.5 11/16 3.83s
#15 GPT-5.2 Chat none OpenAI 4 7.4 11/16 7.03s
#16 Gemini 2.5 Flash medium Google 4 7.4 11/16 12.4s
#17 Gemini 3.1 Flash Lite Preview low Google 4 7.3 11/16 3.36s
#19 GPT-5.3 Chat none OpenAI 4 7.3 10/16 5.96s
#22 Gemini 3.1 Flash Lite Preview none Google 4 7.1 10/16 1.33s
#20 Gemini 3 Flash Preview none Google 5 7.2 11/16 1.75s
#34 GPT-5 Nano medium OpenAI 5 5.5 7/16 47.9s
#36 Mercury 2 medium Inception 5 5.3 7/16 2.36s
#39 gpt-oss-120b medium OpenAI 5 5.1 7/16 16.7s
#43 MiniMax M2.5 medium Minimax 5 4.7 5/16 43.0s
#33 DeepSeek V3.2 none DeepSeek 6 5.5 7/16 12.9s
#29 Qwen3.5 Plus 2026-02-15 none Qwen 7 6.2 9/16 2.65s
#31 GLM 5 none Z.ai 7 6.0 9/16 4.03s
#52 GLM 4.7 Flash medium Z.ai 7 3.1 4/16 36.8s
#37 Qwen3.5-Flash none Qwen 8 5.2 7/16 3.54s
#42 Qwen3.5-35B-A3B none Qwen 8 4.7 6/16 4.10s
#50 Qwen3 Coder Next medium Qwen 8 3.5 3/16 12.5s
#38 Gemini 2.5 Flash none Google 9 5.2 6/16 923ms
#40 Qwen3.5-122B-A10B none Qwen 9 5.0 6/16 3.72s
#41 Qwen3.5-27B none Qwen 9 4.9 5/16 1.75s
#44 GPT-5.4 none OpenAI 9 4.5 6/16 1.48s
#45 Trinity Large Preview none Arcee AI 9 4.2 5/16 3.15s
#49 GLM 4.7 Flash none Z.ai 9 3.9 4/16 2.99s
#55 LFM2-24B-A2B none Liquid 9 2.6 1/16 811ms
#48 Qwen3 Coder Next none Qwen 10 4.0 4/16 11.7s
#54 MiMo-V2-Flash none Xiaomi 10 2.9 3/16 2.97s
#46 Kimi K2.5 none Moonshot AI 11 4.1 5/16 11.9s
#47 GPT-4o-mini none OpenAI 11 4.0 4/16 2.07s
#51 Mercury 2 none Inception 11 3.4 4/16 596ms
#53 Grok 4.1 Fast none X AI 11 2.9 3/16 1.90s

Mejores modelos por Cantidad de Respuesta incorrecta

Cantidad de Respuesta incorrecta vs puntuación promedio

Mejores modelos por Tiempo de respuesta (promedio)