Eșecuri pe categorii AI BENCHY
Rezolvare de puzzle-uri: Nu a urmat instrucțiunile
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.
Motive de eșec
| Rang | Model | Companie | Număr de Nu a urmat instrucțiunile | Scor de categorie | Teste corecte | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|
| #45 | GPT-5.4 Mini medium | OpenAI | 1 | 7.8 | 2/3 | 4.37s |
| #51 | Mimo V2 PRO medium | Xiaomi | 1 | 6.4 | 1/3 | 5.08s |
| #54 | GPT-5 Mini medium | OpenAI | 1 | 5.6 | 1/3 | 15.2s |
| #60 | Kimi K2.6 medium | Moonshot AI | 1 | 6.0 | 1/3 | 25.1s |
| #62 | Step 3.5 Flash medium | Stepfun | 1 | 5.3 | 1/3 | 7.22s |
| #70 | GPT-5.4 Nano medium | OpenAI | 1 | 4.1 | 0/3 | 3.79s |
| #72 | DeepSeek V3.2 medium | DeepSeek | 1 | 7.0 | 1/3 | 37.7s |
| #75 | Ring-2.6-1T medium | Inclusionai | 1 | 5.9 | 1/3 | 20.7s |
| #76 | Kimi K2.5 medium | Moonshot AI | 1 | 5.3 | 1/3 | 43.2s |
| #79 | Hunter Alpha medium | OpenRouter | 1 | 6.1 | 1/3 | 5.35s |
| #80 | Mimo V2 Omni medium | Xiaomi | 1 | 5.9 | 1/3 | 2.38s |
| #81 | Mercury 2 medium | Inception | 1 | 5.4 | 1/3 | 949ms |
| #84 | Grok 4.20 Multi Agent Beta medium | X AI | 1 | 6.7 | 1/3 | 5.19s |
| #85 | Gemma 4 31B none | 1 | 6.5 | 1/3 | 4.23s | |
| #86 | Grok 4.1 Fast medium | X AI | 1 | 5.3 | 1/3 | 7.40s |