Eșecuri pe categorii AI BENCHY
Trucuri anti-AI: Răspuns greșit
Trucuri anti-AI
Răspuns greșit
Vezi ce modele AI au cele mai mari șanse să întâmpine Răspuns greșit la Trucuri anti-AI, ca să găsești mai repede punctele slabe. Sortează după: Timp de răspuns (mediu) ↑.
Motive de eșec
| Rang | Model | Companie | Număr de Răspuns greșit | Scor de categorie | Teste corecte | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|
| #142 | Mistral Small 4 none | Mistral | 4 | 3.4 | 0/4 | 395ms |
| #160 | LFM2-24B-A2B none | Liquid | 3 | 3.3 | 0/3 | 471ms |
| #155 | Mercury 2 none | Inception | 4 | 3.0 | 0/4 | 483ms |
| #127 | Grok 4.20 none | X AI | 3 | 4.8 | 1/4 | 501ms |
| #146 | Laguna Xs.2 none | Poolside | 2 | 3.0 | 0/4 | 534ms |
| #97 | Gemini 2.5 Flash none | 4 | 3.0 | 0/4 | 582ms | |
| #162 | Nemotron 3 Nano Omni 30b A3b Reasoning none | NVIDIA | 2 | 4.8 | 1/4 | 584ms |
| #106 | Grok 4.20 Beta none | X AI | 4 | 4.0 | 0/4 | 597ms |
| #145 | Laguna M.1 none | Poolside | 3 | 3.4 | 0/4 | 705ms |
| #115 | Qwen3.5-27B none | Qwen | 3 | 4.8 | 1/4 | 788ms |
| #163 | Granite 4.1 8B none | IBM Granite | 2 | 4.9 | 1/4 | 844ms |
| #32 | Gemini 3.5 Flash minimal | 2 | 6.5 | 2/4 | 892ms | |
| #144 | GPT-5.4 Mini none | OpenAI | 4 | 3.1 | 0/4 | 929ms |
| #137 | Elephant Alpha none | Openrouter | 1 | 6.6 | 2/4 | 963ms |
| #58 | Gemini 3.1 Flash Lite Preview none | 1 | 7.5 | 2/4 | 1.04s |