Eșecuri pe categorii AI BENCHY
Programare: Răspuns greșit
Programare
Răspuns greșit
Vezi ce modele AI au cele mai mari șanse să întâmpine Răspuns greșit la Programare, ca să găsești mai repede punctele slabe.
Motive de eșec
134/134
Filtrează modelele
Niciun model nu corespunde căutării și filtrelor curente.
| Rang | Model | Companie | Număr de Răspuns greșit | Scor de categorie | Cost total | Teste corecte | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|---|
| #57 | GPT-5.3 Chat none | OpenAI | 2 | 5.6 | $0.433 | 1/3 | 10.5s |
| #58 | GPT-5.4 Nano medium | OpenAI | 2 | 6.1 | $0.107 | 1/3 | 19.1s |
| #64 | Gemini 3 Flash Preview low | 2 | 5.8 | $0.111 | 1/3 | 6.00s | |
| #65 | Grok 4.20 medium | X AI | 2 | 6.3 | $0.609 | 1/3 | 109.9s |
| #68 | GLM 5V Turbo medium | Z.ai | 2 | 6.0 | $0.457 | 1/3 | 63.4s |
| #72 | Qwen3.7 Plus none | Qwen | 2 | 5.5 | $0.023 | 1/3 | 2.15s |
| #73 | GLM 5.2 none | Z.ai | 2 | 3.7 | $0.030 | 0/3 | 7.55s |
| #77 | Laguna XS 2.1 medium | Poolside | 2 | 5.5 | $0.036 | 1/3 | 70.3s |
| #80 | Gemini 3 Flash Preview none | 2 | 5.5 | $0.025 | 1/3 | 1.80s | |
| #81 | Qwen3.7 Max none | Qwen | 2 | 5.5 | $0.054 | 1/3 | 1.35s |
| #83 | Qwen3.5-Flash medium | Qwen | 2 | 3.7 | $0.080 | 0/3 | 58.9s |
| #89 | MiMo-V2.5 medium | Xiaomi | 2 | 6.2 | $0.061 | 1/3 | 97.1s |
| #91 | gpt-oss-120b medium | OpenAI | 2 | 5.9 | $0.013 | 1/3 | 38.4s |
| #92 | GPT-5 Nano medium | OpenAI | 2 | 7.0 | $0.081 | 1/3 | 41.6s |
| #95 | Gemini 3.1 Flash Lite Preview low | 2 | 5.5 | $0.026 | 1/3 | 1.39s |