AI BENCHY
Advertise here

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. Urutkan berdasarkan: Waktu respons (rata-rata) ↑.

Model yang ditampilkan

15

Total kegagalan

53

Model yang paling terdampak

Granite 4.1 8B 1
Peringkat Model Perusahaan Jumlah Jawaban salah Skor kategori Tes benar Waktu respons (rata-rata)
#163 Granite 4.1 8B none IBM Granite 1 3.6 0/2 344ms
#142 Mistral Small 4 none Mistral 1 6.5 1/2 380ms
#146 Laguna Xs.2 none Poolside 1 6.5 1/2 439ms
#127 Grok 4.20 none X AI 1 6.3 1/2 445ms
#131 Qwen3.5-122B-A10B none Qwen 1 6.3 1/2 513ms
#154 Qwen3.5-9B none Qwen 1 6.5 1/2 514ms
#162 Nemotron 3 Nano Omni 30b A3b Reasoning none NVIDIA 1 4.8 0/2 541ms
#155 Mercury 2 none Inception 1 6.5 1/2 551ms
#106 Grok 4.20 Beta none X AI 1 6.3 1/2 649ms
#145 Laguna M.1 none Poolside 1 6.3 1/2 683ms
#157 Grok 4.1 Fast none X AI 1 3.0 0/2 685ms
#102 Gemma 4 26B A4B none Google 1 6.3 1/2 690ms
#144 GPT-5.4 Mini none OpenAI 1 6.3 1/2 728ms
#143 MiMo-V2.5 none Xiaomi 1 6.5 1/2 751ms
#160 LFM2-24B-A2B none Liquid 1 6.3 1/2 752ms

Model teratas menurut Jumlah Jawaban salah

Jumlah Jawaban salah vs Skor

Model teratas menurut Waktu respons (rata-rata)

Model teratas menurut Perkiraan biaya terbuang