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)
#16	GPT-5.4 medium	OpenAI	2	5.3	1/3	74.3s
#18	GLM 5 Turbo medium	Z.ai	2	2.9	0/3	71.1s
#22	Gemini 3.1 Flash Lite Preview low	Google	2	5.3	1/3	2.36s
#24	Gemma 4 26B A4B medium	Google	2	2.9	0/3	23.6s
#25	Grok 4.20 Beta medium	X AI	2	5.3	1/3	21.3s
#28	GPT-5.2 Chat none	OpenAI	2	5.3	1/3	17.8s
#29	Gemini 3.1 Flash Lite Preview none	Google	2	5.3	1/3	942ms
#30	Step 3.5 Flash medium	Stepfun	2	5.3	1/3	170.5s
#31	GLM 5V Turbo medium	Z.ai	2	5.3	1/3	38.1s
#38	GPT-5.4 Nano medium	OpenAI	2	5.9	1/3	38.2s
#41	MiMo-V2-Flash medium	Xiaomi	2	5.9	1/3	96.0s
#45	GPT-5 Mini medium	OpenAI	2	3.6	0/3	44.6s
#46	Kimi K2.5 medium	Moonshot AI	2	3.5	0/3	137.3s
#49	Qwen3.5 Plus 2026-02-15 none	Qwen	2	5.3	1/3	1.17s
#51	Nemotron 3 Super medium	NVIDIA	2	2.9	0/3	16.2s

←

1 2 3 4 5 6 7

→

Top modele după Număr de Răspuns greșit