AI BENCHY
Advertise here

AI BENCHY 失敗分析

不正解 の失敗

どのAIモデルで 不正解 が起きやすいかを確認し、選ぶ前に信頼性のリスクを見極められます。

表示モデル数

15

総失敗数

1092

最も影響を受けたモデル

Mercury 2 15
順位 モデル 企業 不正解 件数 スコア 正解テスト 応答時間(平均)
#58 Step 3.5 Flash medium Stepfun 4 7.4 11/19 43.3s
#68 Seed-2.0-Mini medium Bytedance Seed 4 7.1 11/20 79.2s
#69 Claude Sonnet 4.6 none Anthropic 4 7.0 11/20 5.33s
#74 Laguna M.1 medium Poolside 4 6.9 12/19 14.4s
#75 Hunter Alpha medium OpenRouter 4 6.7 8/18 10.3s
#81 Grok 4.20 Multi Agent Beta medium X AI 4 6.6 8/18 9.80s
#87 Grok 4.1 Fast medium X AI 4 6.5 9/19 24.0s
#5 Qwen3.7 Max medium Qwen 3 9.0 17/20 13.8s
#8 GPT-5.5 low OpenAI 3 8.9 17/20 9.43s
#9 Gemini 3.5 Flash none Google 3 8.9 17/20 9.05s
#10 Claude Opus 4.7 none Anthropic 3 8.9 16/19 3.04s
#13 Gemini 3.1 Flash Lite Preview high Google 3 8.6 13/16 68.8s
#16 Qwen3.6 Plus Preview medium Qwen 3 8.2 16/19 15.2s
#18 GLM 5 medium Z.ai 3 8.2 14/20 33.4s
#19 Gemini 3 PRO Preview medium Google 3 8.1 15/20 9.06s

不正解 件数 上位モデル

不正解 件数 対 スコア

応答時間(平均) 上位モデル