Clasament Specific domeniului x Răspuns greșit

Eșecuri pe categorii AI BENCHY

Vezi ce modele AI au cele mai mari șanse să întâmpine Răspuns greșit la Specific domeniului, ca să găsești mai repede punctele slabe.

Modele afișate

Eșecuri totale

182

Modelul cel mai afectat

Motive de eșec

Răspuns greșit182 Timp expirat31 Formatare suplimentară8 Eroare API2 Fără răspuns2

Categorii

Specific domeniului182 Trucuri anti-AI165 Rezolvare de puzzle-uri85 Respectarea instrucțiunilor44 Combinat37 Programare28 Parsare și extragere de date19 Inteligență generală10 Apelare instrumente2

Rang	Model	Companie	Număr de Răspuns greșit	Scor de categorie	Teste corecte	Timp de răspuns (mediu)
#81	Elephant medium	Openrouter	3	3.0	0/3	925ms
#84	gpt-oss-120b none	OpenAI	3	3.0	0/3	35.0s
#85	Elephant none	Openrouter	3	3.0	0/3	927ms
#86	GPT-5.4 Mini none	OpenAI	3	3.5	0/3	937ms
#88	Nemotron 3 Super none	NVIDIA	3	3.6	0/3	6.23s
#89	GPT-4o-mini none	OpenAI	3	3.0	0/3	637ms
#90	Qwen3.5-9B none	Qwen	3	3.0	0/3	464ms
#96	GPT-5.4 Nano none	OpenAI	3	2.9	0/3	926ms
#5	Gemini 3 Flash Preview low	Google	2	5.3	1/3	8.05s
#6	Seed-2.0-Lite medium	Bytedance Seed	2	5.9	1/3	88.7s
#7	GPT-5.3-Codex medium	OpenAI	2	5.9	1/3	64.3s
#11	Gemini 3.1 Flash Lite Preview high	Google	2	5.3	1/3	127.6s
#12	Gemini 3 PRO Preview medium	Google	2	5.3	1/3	7.01s
#13	GLM 5 medium	Z.ai	2	3.5	0/3	0ms
#15	Gemini 2.5 Flash medium	Google	2	5.9	1/3	37.3s

←

1 2 3 4 5 6 7

→

Top modele după Număr de Răspuns greșit