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) |
|---|---|---|---|---|---|---|
| #113 | DeepSeek V4 Pro none | DeepSeek | 2 | 5.3 | 1/3 | 3.17s |
| #114 | Qwen3.5 Plus 2026-04-20 none | Qwen | 2 | 5.3 | 1/3 | 4.43s |
| #116 | Hunter Alpha none | OpenRouter | 2 | 5.3 | 1/3 | 2.33s |
| #120 | Mimo V2 PRO none | Xiaomi | 2 | 5.3 | 1/3 | 1.78s |
| #121 | Owl Alpha none | Openrouter | 2 | 5.3 | 1/3 | 3.00s |
| #123 | MiMo-V2.5-Pro none | Xiaomi | 2 | 5.3 | 1/3 | 877ms |
| #124 | Kimi K2.6 none | Moonshot AI | 2 | 5.3 | 1/3 | 1.48s |
| #125 | GPT-5.4 none | OpenAI | 2 | 5.3 | 1/3 | 1.07s |
| #127 | Grok 4.20 none | X AI | 2 | 3.0 | 0/3 | 687ms |
| #128 | Qwen3.6 Flash none | Qwen | 2 | 5.3 | 1/3 | 1.11s |
| #129 | MiniMax M2.5 medium | Minimax | 2 | 2.9 | 0/3 | 237.3s |
| #131 | Qwen3.5-122B-A10B none | Qwen | 2 | 5.3 | 1/3 | 465ms |
| #133 | DeepSeek V3.2 none | DeepSeek | 2 | 2.9 | 0/3 | 4.17s |
| #134 | GLM 5 Turbo none | Z.ai | 2 | 5.3 | 1/3 | 1.97s |
| #135 | Kimi K2.5 none | Moonshot AI | 2 | 5.3 | 1/3 | 4.38s |