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) |
|---|---|---|---|---|---|---|---|
| #69 | Claude Opus 4.8 none | Anthropic | 1 | 5.5 | $0.539 | 1/3 | 3.29s |
| #70 | DeepSeek V4 Pro none | DeepSeek | 1 | 5.6 | $0.034 | 1/3 | 13.4s |
| #74 | MiMo-V2-Flash medium | Xiaomi | 1 | 6.0 | $0.043 | 1/3 | 10.7s |
| #75 | Step 3.7 Flash high | Stepfun | 1 | 4.0 | $1.148 | 0/3 | 206.2s |
| #79 | Gemini 3.5 Flash none | 1 | 8.8 | $1.079 | 2/3 | 34.7s | |
| #84 | Gemini 3.5 Flash minimal | 1 | 5.6 | $0.108 | 1/3 | 2.75s | |
| #86 | Mimo V2 Omni medium | Xiaomi | 1 | 3.3 | $0.683 | 0/3 | 183.9s |
| #90 | Mimo V2 PRO medium | Xiaomi | 1 | 6.0 | $0.333 | 1/3 | 94.2s |
| #124 | Owl Alpha medium | Openrouter | 1 | 5.4 | $0.000 | 1/3 | 18.7s |
| #125 | Mimo V2 PRO none | Xiaomi | 1 | 5.5 | $0.045 | 1/3 | 2.65s |
| #126 | Owl Alpha none | Openrouter | 1 | 5.6 | $0.000 | 1/3 | 36.9s |
| #127 | Kimi K2.6 none | Moonshot AI | 1 | 5.5 | $0.078 | 1/3 | 82.6s |
| #130 | Mimo V2 Omni none | Xiaomi | 1 | 4.4 | $0.021 | 0/3 | 2.75s |
| #156 | Trinity Large Preview none | Arcee AI | 1 | 3.7 | $0.008 | 0/3 | 14.3s |
| #159 | Cobuddy medium | Baidu | 1 | 3.7 | $0.000 | 0/3 | 79.2s |