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) |
|---|---|---|---|---|---|---|
| #56 | Seed-2.0-Mini medium | Bytedance Seed | 1 | 3.0 | 0/1 | 56.8s |
| #57 | Qwen3.5-35B-A3B medium | Qwen | 1 | 3.0 | 0/1 | 177.4s |
| #58 | GPT-5.2 medium | OpenAI | 1 | 3.0 | 0/1 | 28.2s |
| #59 | DeepSeek V3.2 medium | DeepSeek | 1 | 3.0 | 0/1 | 84.0s |
| #60 | GPT-5.4 Mini medium | OpenAI | 1 | 3.0 | 0/1 | 30.1s |
| #61 | Claude Sonnet 4.6 none | Anthropic | 1 | 3.0 | 0/1 | 4.67s |
| #62 | MiMo-V2-Omni medium | Xiaomi | 1 | 3.0 | 0/1 | 234.2s |
| #64 | Gemma 4 31B none | 1 | 3.0 | 0/1 | 1.25s | |
| #65 | DeepSeek V4 Pro high | DeepSeek | 1 | 3.0 | 0/1 | 39.1s |
| #66 | Grok 4.20 medium | X AI | 1 | 3.0 | 0/1 | 63.5s |
| #67 | GPT-5 Mini medium | OpenAI | 1 | 3.0 | 0/1 | 9.99s |
| #68 | Gemini 3.1 Flash Lite minimal | 1 | 3.0 | 0/1 | 724ms | |
| #69 | Kimi K2.5 medium | Moonshot AI | 1 | 3.0 | 0/1 | 83.9s |
| #70 | Qwen3.6 27B medium | Qwen | 1 | 3.0 | 0/1 | 81.0s |
| #72 | GPT-5.5 none | OpenAI | 1 | 3.0 | 0/1 | 5.01s |