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) |
|---|---|---|---|---|---|---|---|
| #121 | Qwen3.5-27B none | Qwen | 2 | 5.8 | $0.015 | 1/3 | 1.80s |
| #122 | GLM 5V Turbo none | Z.ai | 2 | 5.5 | $0.052 | 1/3 | 3.13s |
| #129 | GPT-5.4 none | OpenAI | 2 | 5.5 | $0.122 | 1/3 | 1.62s |
| #136 | Kimi K2.5 none | Moonshot AI | 2 | 5.5 | $0.027 | 1/3 | 24.6s |
| #137 | MiMo-V2.5-Pro none | Xiaomi | 2 | 4.3 | $0.017 | 0/3 | 1.41s |
| #138 | Qwen3.6 27B none | Qwen | 2 | 5.5 | $0.025 | 1/3 | 4.16s |
| #139 | Gemma 4 26B A4B none | 2 | 3.7 | $0.004 | 0/3 | 4.16s | |
| #140 | Qwen3.5 Plus 2026-04-20 none | Qwen | 2 | 3.9 | $0.032 | 0/3 | 1.69s |
| #144 | GPT-5.4 Mini none | OpenAI | 2 | 5.5 | $0.038 | 1/3 | 913ms |
| #146 | DeepSeek V3.2 none | DeepSeek | 2 | 3.1 | $0.016 | 0/3 | 14.5s |
| #148 | Qwen3.6 35B A3B none | Qwen | 2 | 5.5 | $0.031 | 1/3 | 8.77s |
| #154 | MiMo-V2.5 none | Xiaomi | 2 | 5.5 | $0.006 | 1/3 | 3.24s |
| #168 | Qwen3 Coder Next medium | Qwen | 2 | 3.7 | $0.008 | 0/3 | 924ms |
| #179 | MiMo-V2-Flash none | Xiaomi | 2 | 4.3 | $0.025 | 0/3 | 2.64s |
| #2 | Gemini 3 Flash Preview medium | 1 | 8.6 | $0.667 | 2/3 | 84.4s |