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: Tes benar ↑.

Model yang ditampilkan

15

Total kegagalan

53

Model yang paling terdampak

MiniMax M2.7 1
Peringkat Model Perusahaan Jumlah Jawaban salah Skor kategori Tes benar Waktu respons (rata-rata)
#130 MiniMax M2.7 medium Minimax 1 3.8 0/2 12.8s
#151 Trinity Large Preview none Arcee AI 1 3.5 0/2 822ms
#157 Grok 4.1 Fast none X AI 1 3.0 0/2 685ms
#162 Nemotron 3 Nano Omni 30b A3b Reasoning none NVIDIA 1 4.8 0/2 541ms
#163 Granite 4.1 8B none IBM Granite 1 3.6 0/2 344ms
#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

Model teratas menurut Jumlah Jawaban salah

Jumlah Jawaban salah vs Skor

Model teratas menurut Waktu respons (rata-rata)

Model teratas menurut Perkiraan biaya terbuang