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.
Motive de eșec
| Rang | Model | Companie | Număr de Răspuns greșit | Scor de categorie | Teste corecte | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|
| #24 | Grok 4.3 medium | X AI | 1 | 3.0 | 0/1 | 44.5s |
| #25 | Gemini 2.5 Flash medium | 1 | 3.0 | 0/1 | 2.76s | |
| #26 | GPT-5.4 medium | OpenAI | 1 | 3.0 | 0/1 | 14.0s |
| #27 | Gemini 3.1 Flash Lite medium | 1 | 3.0 | 0/1 | 3.08s | |
| #28 | Qwen3.6 Plus medium | Qwen | 1 | 3.0 | 0/1 | 47.5s |
| #29 | Gemini 3 Flash Preview none | 1 | 3.0 | 0/1 | 1.07s | |
| #30 | Gemini 3.1 Flash Lite Preview low | 1 | 3.0 | 0/1 | 1.35s | |
| #31 | Qwen3.5-122B-A10B medium | Qwen | 1 | 3.0 | 0/1 | 52.9s |
| #33 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 1 | 3.0 | 0/1 | 92.6s |
| #34 | HY3 Preview medium | Tencent | 1 | 3.0 | 0/1 | 39.9s |
| #35 | Claude Sonnet 4.6 medium | Anthropic | 1 | 3.0 | 0/1 | 30.1s |
| #36 | Step 3.5 Flash none | Stepfun | 1 | 3.0 | 0/1 | 114.1s |
| #37 | MiMo-V2-Pro medium | Xiaomi | 1 | 3.0 | 0/1 | 82.7s |
| #38 | Gemma 4 26B A4B medium | 1 | 3.0 | 0/1 | 180.9s | |
| #39 | HY3 Preview low | Tencent | 1 | 3.0 | 0/1 | 41.7s |