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)
#55	MiMo-V2-Omni none	Xiaomi	2	5.3	1/3	1.14s
#56	Grok 4.20 Multi Agent Beta medium	X AI	2	2.9	0/3	24.7s
#58	GLM 5V Turbo none	Z.ai	2	5.3	1/3	2.09s
#62	Gemini 2.5 Flash none	Google	2	5.9	1/3	495ms
#65	MiMo-V2-Pro none	Xiaomi	2	5.3	1/3	1.78s
#66	GPT-5.4 none	OpenAI	2	5.3	1/3	1.07s
#69	Kimi K2.6 none	Moonshot AI	2	5.3	1/3	1.48s
#70	Qwen3.5-122B-A10B none	Qwen	2	5.3	1/3	465ms
#71	MiniMax M2.5 medium	Minimax	2	2.9	0/3	237.3s
#72	Hunter Alpha none	OpenRouter	2	5.3	1/3	2.33s
#76	Kimi K2.5 none	Moonshot AI	2	5.3	1/3	4.38s
#77	GLM 5 Turbo none	Z.ai	2	5.3	1/3	1.97s
#78	Trinity Large Preview none	Arcee AI	2	5.3	1/3	877ms
#82	Grok 4.20 none	X AI	2	3.0	0/3	687ms
#83	Mistral Small 4 none	Mistral	2	5.3	1/3	367ms

←

1 2 3 4 5 6 7

→

Top modele după Număr de Răspuns greșit