AI BENCHY
Your ad here

Kegagalan AI BENCHY

Kegagalan Format tambahan

Lihat model AI mana yang paling sering mengalami Format tambahan, agar Anda bisa melihat risiko keandalan sebelum memilih. Urutkan berdasarkan: Skor ↓.

Model yang ditampilkan

15

Total kegagalan

23

Model yang paling terdampak

Qwen3.5-27B 1
Peringkat Model Perusahaan Jumlah Format tambahan Skor Tes benar Waktu respons (rata-rata)
#10 Qwen3.5-27B medium Qwen 1 8.4 13/18 53.0s
#23 MiMo-V2-Pro medium Xiaomi 1 8.1 12/18 12.3s
#26 Claude Sonnet 4.6 medium Anthropic 2 8.0 13/18 12.7s
#35 MiMo-V2-Omni medium Xiaomi 1 7.7 11/18 16.8s
#37 Claude Opus 4.6 medium Anthropic 4 7.6 12/18 21.1s
#41 MiMo-V2-Flash medium Xiaomi 1 7.5 11/18 23.4s
#42 Claude Sonnet 4.6 none Anthropic 3 7.4 11/18 4.98s
#47 Grok 4.20 medium X AI 1 7.0 9/18 10.3s
#50 Hunter Alpha medium OpenRouter 1 6.7 8/18 10.3s
#56 Grok 4.20 Multi Agent Beta medium X AI 2 6.4 7/18 9.80s
#64 DeepSeek V3.2 none DeepSeek 2 6.1 7/18 12.1s
#82 Grok 4.20 none X AI 1 5.2 5/18 1.11s
#87 Qwen3 Coder Next none Qwen 1 5.1 4/18 10.2s
#94 MiMo-V2-Flash none Xiaomi 1 4.5 3/18 2.79s
#97 Qwen3.5-9B medium Qwen 1 4.4 3/18 73.6s

Model teratas menurut Jumlah Format tambahan

Jumlah Format tambahan vs Skor

Model teratas menurut Waktu respons (rata-rata)