Eșecuri pe categorii AI BENCHY
Cultură generală: Răspuns greșit
Cultură generală
Răspuns greșit
Vezi ce modele AI au cele mai mari șanse să întâmpine Răspuns greșit la Cultură generală, ca să găsești mai repede punctele slabe. Sortează după: Timp de răspuns (mediu) ↓.
Motive de eșec
| Rang | Model | Companie | Număr de Răspuns greșit | Scor de categorie | Teste corecte | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|
| #62 | MiMo-V2-Omni medium | Xiaomi | 1 | 3.0 | 0/1 | 234.2s |
| #38 | Gemma 4 26B A4B medium | 1 | 3.0 | 0/1 | 180.9s | |
| #57 | Qwen3.5-35B-A3B medium | Qwen | 1 | 3.0 | 0/1 | 177.4s |
| #140 | Qwen3.5-9B medium | Qwen | 1 | 3.0 | 0/1 | 177.0s |
| #42 | Kimi K2.6 medium | Moonshot AI | 1 | 3.0 | 0/1 | 130.3s |
| #50 | Qwen3.6 Flash medium | Qwen | 1 | 3.0 | 0/1 | 122.9s |
| #36 | Step 3.5 Flash none | Stepfun | 1 | 3.0 | 0/1 | 114.1s |
| #43 | Step 3.5 Flash medium | Stepfun | 1 | 3.0 | 0/1 | 108.4s |
| #12 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 1 | 3.0 | 0/1 | 103.8s |
| #33 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 1 | 3.0 | 0/1 | 92.6s |
| #14 | Gemma 4 31B medium | 1 | 3.0 | 0/1 | 90.1s | |
| #17 | Qwen3.5-27B medium | Qwen | 1 | 3.0 | 0/1 | 85.1s |
| #59 | DeepSeek V3.2 medium | DeepSeek | 1 | 3.0 | 0/1 | 84.0s |
| #69 | Kimi K2.5 medium | Moonshot AI | 1 | 3.0 | 0/1 | 83.9s |
| #37 | MiMo-V2-Pro medium | Xiaomi | 1 | 3.0 | 0/1 | 82.7s |