AI BENCHY
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

Kegagalan kategori AI BENCHY

Kepatuhan instruksi: Jawaban salah

Kepatuhan instruksi
Jawaban salah

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

Model yang ditampilkan

15

Total kegagalan

53

Model yang paling terdampak

Gemini 3.5 Flash 1
Peringkat Model Perusahaan Jumlah Jawaban salah Skor kategori Tes benar Waktu respons (rata-rata)
#32 Gemini 3.5 Flash minimal Google 1 6.4 1/2 893ms
#48 Gemini 3 Flash Preview none Google 1 6.4 1/2 1.58s
#55 GLM 5.1 medium Z.ai 1 6.4 1/2 7.47s
#77 Claude Sonnet 4.6 none Anthropic 1 6.5 1/2 1.96s
#85 Gemma 4 31B none Google 1 6.5 1/2 2.84s
#88 Qwen3.7 Plus none Qwen 1 6.3 1/2 929ms
#91 GPT-5.5 none OpenAI 1 6.2 1/2 1.15s
#101 Mimo V2 Omni none Xiaomi 1 6.5 1/2 4.26s
#102 Gemma 4 26B A4B none Google 1 6.3 1/2 690ms
#106 Grok 4.20 Beta none X AI 1 6.3 1/2 649ms
#108 Qwen3.5-Flash none Qwen 1 6.3 1/2 8.81s
#109 GLM 5V Turbo none Z.ai 1 6.5 1/2 1.97s
#111 Owl Alpha medium Openrouter 1 6.5 1/2 10.2s
#113 DeepSeek V4 Pro none DeepSeek 1 6.3 1/2 8.23s
#114 Qwen3.5 Plus 2026-04-20 none Qwen 1 6.2 1/2 1.17s

Model teratas menurut Jumlah Jawaban salah

Jumlah Jawaban salah vs Skor

Model teratas menurut Waktu respons (rata-rata)

Model teratas menurut Perkiraan biaya terbuang