Peringkat Spesifik domain x Jawaban salah

Kegagalan kategori AI BENCHY

Lihat model AI mana yang paling mungkin mengalami Jawaban salah di Spesifik domain, agar Anda bisa menemukan titik lemahnya lebih cepat.

Model yang ditampilkan

Total kegagalan

314

Model yang paling terdampak

Alasan kegagalan

Jawaban salah314 Kedaluwarsa34 Format tambahan12 Kesalahan API6 Tidak ada jawaban5 Tidak mengikuti instruksi1

Kategori

Spesifik domain314 Trik anti-AI245 Pemrograman194 Pemecahan teka-teki147 Pengetahuan umum130 Kepatuhan instruksi53 Gabungan52 Parsing dan ekstraksi data35 Kecerdasan umum32 Pemanggilan alat2

Peringkat	Model	Perusahaan	Jumlah Jawaban salah	Skor kategori	Tes benar	Waktu respons (rata-rata)
#38	Grok 4.3 medium	X AI	2	5.3	1/3	181.7s
#46	Qwen3.6 35B A3B medium	Qwen	2	5.3	1/3	22.5s
#50	Gemini 3.1 Flash Lite Preview low	Google	2	5.3	1/3	2.36s
#54	GPT-5 Mini medium	OpenAI	2	3.6	0/3	44.6s
#57	Step 3.7 Flash low	Stepfun	2	5.3	1/3	43.3s
#58	Gemini 3.1 Flash Lite Preview none	Google	2	5.3	1/3	942ms
#59	GLM 5V Turbo medium	Z.ai	2	5.3	1/3	38.1s
#61	Gemini 3.1 Flash Lite low	Google	2	5.3	1/3	1.52s
#62	Step 3.5 Flash medium	Stepfun	2	5.3	1/3	170.5s
#64	MiMo-V2-Flash medium	Xiaomi	2	5.9	1/3	96.0s
#68	Claude Opus 4.8 none	Anthropic	2	5.3	1/3	1.66s
#70	GPT-5.4 Nano medium	OpenAI	2	5.9	1/3	38.2s
#71	Step 3.7 Flash high	Stepfun	2	4.1	0/3	149.6s
#72	DeepSeek V3.2 medium	DeepSeek	2	2.9	0/3	24.3s
#76	Kimi K2.5 medium	Moonshot AI	2	3.5	0/3	137.3s

Model teratas menurut Jumlah Jawaban salah