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) |
|---|---|---|---|---|---|---|
| #38 | Grok 4.3 medium | X AI | 2 | 5.3 | 1/3 | 181.7s |
| #46 | Qwen3.6 35B A3B medium | Qwen | 2 | 5.3 | 1/3 | 22.5s |
| #50 | Gemini 3.1 Flash Lite Preview low | 2 | 5.3 | 1/3 | 2.36s | |
| #54 | GPT-5 Mini medium | OpenAI | 2 | 3.6 | 0/3 | 44.6s |
| #57 | Step 3.7 Flash low | Stepfun | 2 | 5.3 | 1/3 | 43.3s |
| #58 | Gemini 3.1 Flash Lite Preview none | 2 | 5.3 | 1/3 | 942ms | |
| #59 | GLM 5V Turbo medium | Z.ai | 2 | 5.3 | 1/3 | 38.1s |
| #61 | Gemini 3.1 Flash Lite low | 2 | 5.3 | 1/3 | 1.52s | |
| #62 | Step 3.5 Flash medium | Stepfun | 2 | 5.3 | 1/3 | 170.5s |
| #64 | MiMo-V2-Flash medium | Xiaomi | 2 | 5.9 | 1/3 | 96.0s |
| #68 | Claude Opus 4.8 none | Anthropic | 2 | 5.3 | 1/3 | 1.66s |
| #70 | GPT-5.4 Nano medium | OpenAI | 2 | 5.9 | 1/3 | 38.2s |
| #71 | Step 3.7 Flash high | Stepfun | 2 | 4.1 | 0/3 | 149.6s |
| #72 | DeepSeek V3.2 medium | DeepSeek | 2 | 2.9 | 0/3 | 24.3s |
| #76 | Kimi K2.5 medium | Moonshot AI | 2 | 3.5 | 0/3 | 137.3s |