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) |
|---|---|---|---|---|---|---|
| #9 | GPT-5.5 medium | OpenAI | 2 | 5.3 | 1/3 | 164.1s |
| #10 | Claude Opus 4.8 medium | Anthropic | 2 | 5.3 | 1/3 | 14.2s |
| #12 | Gemini 3.1 Flash Lite Preview high | 2 | 5.3 | 1/3 | 127.6s | |
| #13 | Grok 4.20 Beta medium | X AI | 2 | 5.3 | 1/3 | 21.3s |
| #15 | GPT-5.3-Codex medium | OpenAI | 2 | 5.9 | 1/3 | 64.3s |
| #16 | Gemini 3 Flash Preview low | 2 | 5.3 | 1/3 | 8.05s | |
| #17 | GLM 5 medium | Z.ai | 2 | 3.5 | 0/3 | 0ms |
| #19 | Seed-2.0-Lite medium | Bytedance Seed | 2 | 5.9 | 1/3 | 88.7s |
| #21 | GPT-5.4 medium | OpenAI | 2 | 5.3 | 1/3 | 74.3s |
| #23 | GLM 5 Turbo medium | Z.ai | 2 | 2.9 | 0/3 | 71.1s |
| #24 | GPT-5.2 Chat none | OpenAI | 2 | 5.3 | 1/3 | 17.8s |
| #28 | Gemini 2.5 Flash medium | 2 | 5.9 | 1/3 | 37.3s | |
| #33 | Hy3 preview medium | Tencent | 2 | 5.3 | 1/3 | 22.3s |
| #35 | Gemini 3 PRO Preview medium | 2 | 5.3 | 1/3 | 7.01s | |
| #37 | Gemma 4 26B A4B medium | 2 | 2.9 | 0/3 | 23.6s |