Kegagalan AI BENCHY
Kegagalan Jawaban salah
Lihat model AI mana yang paling sering mengalami Jawaban salah, agar Anda bisa melihat risiko keandalan sebelum memilih. Urutkan berdasarkan: Skor ↑.
Kategori
Dalam kategori Spesifik domain314 Dalam kategori Trik anti-AI245 Dalam kategori Pemrograman194 Dalam kategori Pemecahan teka-teki147 Dalam kategori Pengetahuan umum130 Dalam kategori Kepatuhan instruksi53 Dalam kategori Gabungan52 Dalam kategori Parsing dan ekstraksi data35 Dalam kategori Kecerdasan umum32 Dalam kategori Pemanggilan alat2
| Peringkat | Model | Perusahaan | Jumlah Jawaban salah | Skor | Tes benar | Waktu respons (rata-rata) |
|---|---|---|---|---|---|---|
| #58 | Gemini 3.1 Flash Lite Preview none | 7 | 7.2 | 12/21 | 1.21s | |
| #57 | Step 3.7 Flash low | Stepfun | 8 | 7.3 | 12/21 | 15.7s |
| #56 | MiMo-V2.5 medium | Xiaomi | 5 | 7.3 | 12/21 | 27.1s |
| #55 | GLM 5.1 medium | Z.ai | 4 | 7.3 | 12/21 | 33.7s |
| #54 | GPT-5 Mini medium | OpenAI | 5 | 7.3 | 12/21 | 23.6s |
| #53 | Gemini 3.1 Flash Lite high | 4 | 7.3 | 10/18 | 62.0s | |
| #52 | Claude Sonnet 4.6 medium | Anthropic | 4 | 7.4 | 13/21 | 17.1s |
| #51 | Mimo V2 PRO medium | Xiaomi | 5 | 7.4 | 12/21 | 22.2s |
| #50 | Gemini 3.1 Flash Lite Preview low | 7 | 7.4 | 13/21 | 2.77s | |
| #49 | Qwen3.5-Flash medium | Qwen | 4 | 7.4 | 12/21 | 63.3s |
| #48 | Gemini 3 Flash Preview none | 8 | 7.4 | 13/21 | 1.65s | |
| #47 | Grok Build 0.1 medium | X AI | 5 | 7.4 | 13/21 | 49.9s |
| #46 | Qwen3.6 35B A3B medium | Qwen | 4 | 7.4 | 13/21 | 18.1s |
| #45 | GPT-5.4 Mini medium | OpenAI | 6 | 7.5 | 12/21 | 22.3s |
| #44 | Gemini 3.1 Flash Lite medium | 7 | 7.5 | 13/21 | 3.23s |