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) |
|---|---|---|---|---|---|---|
| #81 | Mercury 2 medium | Inception | 3 | 2.9 | 0/3 | 6.48s |
| #87 | Gemini 3.1 Flash Lite minimal | 3 | 2.9 | 0/3 | 1.02s | |
| #88 | Qwen3.7 Plus none | Qwen | 3 | 3.0 | 0/3 | 868ms |
| #90 | Gemini 3.1 Flash Lite none | 3 | 2.9 | 0/3 | 762ms | |
| #91 | GPT-5.5 none | OpenAI | 3 | 2.9 | 0/3 | 1.31s |
| #98 | GLM 5 none | Z.ai | 3 | 3.0 | 0/3 | 2.24s |
| #99 | gpt-oss-120b medium | OpenAI | 3 | 2.9 | 0/3 | 50.9s |
| #102 | Gemma 4 26B A4B none | 3 | 3.6 | 0/3 | 2.49s | |
| #106 | Grok 4.20 Beta none | X AI | 3 | 3.0 | 0/3 | 611ms |
| #110 | Seed-2.0-Lite none | Bytedance Seed | 3 | 3.6 | 0/3 | 1.33s |
| #112 | GLM 5.1 none | Z.ai | 3 | 2.9 | 0/3 | 1.99s |
| #115 | Qwen3.5-27B none | Qwen | 3 | 3.0 | 0/3 | 540ms |
| #119 | Cobuddy medium | Baidu | 3 | 2.9 | 0/3 | 128.2s |
| #126 | gpt-oss-120b none | OpenAI | 3 | 3.0 | 0/3 | 35.0s |
| #136 | Elephant Alpha medium | Openrouter | 3 | 3.0 | 0/3 | 925ms |