Eșecuri pe categorii AI BENCHY
Specific domeniului: Răspuns greșit
Specific domeniului
Răspuns greșit
Vezi ce modele AI au cele mai mari șanse să întâmpine Răspuns greșit la Specific domeniului, 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) |
|---|---|---|---|---|---|---|
| #14 | Qwen3.6 Max Preview medium | Qwen | 3 | 2.9 | 0/3 | 95.9s |
| #18 | Qwen3.7 Plus medium | Qwen | 3 | 3.6 | 0/3 | 45.3s |
| #26 | Qwen3.6 Plus medium | Qwen | 3 | 2.9 | 0/3 | 29.6s |
| #29 | Qwen3.5-122B-A10B medium | Qwen | 3 | 2.9 | 0/3 | 63.4s |
| #31 | DeepSeek V4 Flash high | DeepSeek | 3 | 4.1 | 0/3 | 100.3s |
| #36 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 3 | 2.9 | 0/3 | 53.1s |
| #39 | Qwen3.6 Flash medium | Qwen | 3 | 3.5 | 0/3 | 14.6s |
| #40 | Gemini 3.1 Flash Lite Preview medium | 3 | 3.0 | 0/3 | 4.21s | |
| #41 | Nemotron 3 Ultra 550b A55b medium | NVIDIA | 3 | 3.5 | 0/3 | 24.9s |
| #44 | Gemini 3.1 Flash Lite medium | 3 | 2.9 | 0/3 | 3.16s | |
| #45 | GPT-5.4 Mini medium | OpenAI | 3 | 4.1 | 0/3 | 65.3s |
| #53 | Gemini 3.1 Flash Lite high | 3 | 3.6 | 0/3 | 139.9s | |
| #63 | GPT-5.3 Chat none | OpenAI | 3 | 3.5 | 0/3 | 13.0s |
| #75 | Ring-2.6-1T medium | Inclusionai | 3 | 3.5 | 0/3 | 64.9s |
| #78 | Qwen3.6 27B medium | Qwen | 3 | 2.9 | 0/3 | 73.4s |