AI BENCHY
Compară Grafice Metodologie
❤️ Made by XCS
Your ad here

Eșecuri pe categorii AI BENCHY

Rezolvare de puzzle-uri
Nu a urmat instrucțiunile

Vezi ce modele AI au cele mai mari șanse să întâmpine Nu a urmat instrucțiunile la Rezolvare de puzzle-uri, ca să găsești mai repede punctele slabe.

Modele afișate

20

Eșecuri totale

24

Modelul cel mai afectat

Mercury 2 2
Rang Model Companie Număr de Nu a urmat instrucțiunile Scor de categorie Teste corecte Timp de răspuns (mediu)
#36 Mercury 2 medium Inception 2 1.7 0/3 934ms
#39 gpt-oss-120b medium OpenAI 2 1.7 0/3 11.8s
#49 GLM 4.7 Flash none Z.ai 2 3.7 0/3 1.00s
#50 Qwen3 Coder Next medium Qwen 2 10.0 0/3 2.30s
#3 GPT-5.3-Codex medium OpenAI 1 9.3 2/3 5.12s
#7 Qwen3.5-27B medium Qwen 1 8.3 2/3 64.6s
#9 GPT-5.4 medium OpenAI 1 7.0 2/3 9.13s
#13 Step 3.5 Flash medium Stepfun 1 4.0 1/3 7.72s
#27 GPT-5.2 medium OpenAI 1 7.0 2/3 5.47s
#28 Kimi K2.5 medium Moonshot AI 1 4.0 1/3 45.4s
#30 Grok 4.1 Fast medium X AI 1 4.0 1/3 8.08s
#32 GPT-5 Mini medium OpenAI 1 4.3 1/3 14.1s
#34 GPT-5 Nano medium OpenAI 1 4.0 1/3 19.8s
#37 Qwen3.5-Flash none Qwen 1 1.3 0/3 5.90s
#38 Gemini 2.5 Flash none Google 1 4.7 1/3 576ms
#41 Qwen3.5-27B none Qwen 1 6.3 1/3 1.37s
#42 Qwen3.5-35B-A3B none Qwen 1 1.7 0/3 1.34s
#44 GPT-5.4 none OpenAI 1 4.0 1/3 1.52s
#52 GLM 4.7 Flash medium Z.ai 1 10.0 0/3 12.9s
#55 LFM2-24B-A2B none Liquid 1 3.3 0/3 1.69s

Top modele după Număr de Nu a urmat instrucțiunile

Număr de Nu a urmat instrucțiunile vs scor mediu

Top modele după Timp de răspuns (mediu)

Top modele după Cost irosit estimat