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
| Rang | Model | Companie | Număr de Răspuns greșit | Scor de categorie | Teste corecte | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|
| #112 | GPT-5.4 none | OpenAI | 1 | 6.8 | 1/2 | 1.99s |
| #114 | DeepSeek V3.2 none | DeepSeek | 1 | 3.1 | 0/2 | 20.9s |
| #115 | MiMo-V2.5-Pro none | Xiaomi | 1 | 5.0 | 0/2 | 1.80s |
| #116 | Qwen3.6 Flash none | Qwen | 1 | 6.6 | 1/2 | 2.34s |
| #117 | Grok 4.20 Beta none | X AI | 1 | 5.5 | 0/1 | 1.14s |
| #118 | Nemotron 3 Nano Omni 30b A3b Reasoning medium | NVIDIA | 1 | 3.3 | 0/1 | 38.1s |
| #119 | MiniMax M2.5 medium | Minimax | 1 | 3.5 | 0/2 | 125.8s |
| #120 | Grok 4.20 none | X AI | 1 | 3.4 | 0/1 | 1.22s |
| #122 | Elephant Alpha medium | Openrouter | 1 | 4.0 | 0/2 | 1.30s |
| #123 | Laguna M.1 none | Poolside | 1 | 7.5 | 0/1 | 2.93s |
| #126 | Kimi K2.5 none | Moonshot AI | 1 | 6.8 | 1/2 | 36.0s |
| #127 | Laguna Xs.2 none | Poolside | 1 | 2.5 | 0/1 | 1.96s |
| #129 | gpt-oss-120b none | OpenAI | 1 | 4.3 | 0/1 | 9.57s |
| #130 | Elephant Alpha none | Openrouter | 1 | 4.7 | 0/2 | 1.39s |
| #136 | GPT-5.4 Mini none | OpenAI | 1 | 6.8 | 1/2 | 1.01s |