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) |
|---|---|---|---|---|---|---|
| #82 | Hy3 preview high | Tencent | 2 | 5.3 | 1/3 | 109.0s |
| #84 | Grok 4.20 Multi Agent Beta medium | X AI | 2 | 2.9 | 0/3 | 24.7s |
| #89 | Hy3 preview low | Tencent | 2 | 5.9 | 1/3 | 40.4s |
| #92 | Laguna M.1 medium | Poolside | 2 | 5.3 | 1/3 | 24.1s |
| #93 | Qwen3.6 Plus Preview medium | Qwen | 2 | 3.0 | 0/3 | 22.1s |
| #95 | Qwen3.5 Plus 2026-02-15 none | Qwen | 2 | 5.3 | 1/3 | 1.17s |
| #96 | Ring-2.6-1T none | Inclusionai | 2 | 5.3 | 1/3 | 73.4s |
| #97 | Gemini 2.5 Flash none | 2 | 5.9 | 1/3 | 495ms | |
| #100 | Grok Build 0.1 none | X AI | 2 | 3.6 | 0/3 | 103.7s |
| #101 | Mimo V2 Omni none | Xiaomi | 2 | 5.3 | 1/3 | 2.10s |
| #104 | Nemotron 3 Ultra 550b A55b none | NVIDIA | 2 | 5.3 | 1/3 | 698ms |
| #105 | Nemotron 3 Super medium | NVIDIA | 2 | 2.9 | 0/3 | 16.2s |
| #107 | Laguna Xs.2 medium | Poolside | 2 | 4.1 | 0/3 | 11.1s |
| #109 | GLM 5V Turbo none | Z.ai | 2 | 5.3 | 1/3 | 2.09s |
| #111 | Owl Alpha medium | Openrouter | 2 | 5.3 | 1/3 | 8.58s |