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: Waktu respons (rata-rata) ↓.
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) |
|---|---|---|---|---|---|---|
| #43 | MiMo-V2.5-Pro medium | Xiaomi | 3 | 7.5 | 12/21 | 26.1s |
| #69 | Claude Opus 4.6 medium | Anthropic | 3 | 7.0 | 12/21 | 25.9s |
| #89 | Hy3 preview low | Tencent | 4 | 6.4 | 10/21 | 24.6s |
| #86 | Grok 4.1 Fast medium | X AI | 4 | 6.5 | 9/19 | 23.8s |
| #54 | GPT-5 Mini medium | OpenAI | 5 | 7.3 | 12/21 | 23.6s |
| #59 | GLM 5V Turbo medium | Z.ai | 7 | 7.2 | 11/21 | 23.1s |
| #23 | GLM 5 Turbo medium | Z.ai | 4 | 8.0 | 14/21 | 23.0s |
| #21 | GPT-5.4 medium | OpenAI | 5 | 8.0 | 14/21 | 22.3s |
| #45 | GPT-5.4 Mini medium | OpenAI | 6 | 7.5 | 12/21 | 22.3s |
| #99 | gpt-oss-120b medium | OpenAI | 9 | 6.1 | 9/21 | 22.3s |
| #51 | Mimo V2 PRO medium | Xiaomi | 5 | 7.4 | 12/21 | 22.2s |
| #126 | gpt-oss-120b none | OpenAI | 8 | 5.4 | 6/19 | 21.6s |
| #22 | Step 3.7 Flash medium | Stepfun | 5 | 8.0 | 14/21 | 20.4s |
| #4 | Gemini 3.1 Pro Preview medium | 2 | 9.4 | 19/21 | 20.1s | |
| #64 | MiMo-V2-Flash medium | Xiaomi | 5 | 7.2 | 12/21 | 20.1s |