AI BENCHY
Your ad here

Eșecuri AI BENCHY

Eșecuri Formatare suplimentară

Vezi ce modele AI se lovesc cel mai des de Formatare suplimentară, ca să identifici riscurile de fiabilitate înainte să alegi.

Modele afișate

15

Eșecuri totale

23

Modelul cel mai afectat

Claude Opus 4.6 4
Rang Model Companie Număr de Formatare suplimentară Scor Teste corecte Timp de răspuns (mediu)
#37 Claude Opus 4.6 medium Anthropic 4 7.6 12/18 21.1s
#42 Claude Sonnet 4.6 none Anthropic 3 7.4 11/18 4.98s
#26 Claude Sonnet 4.6 medium Anthropic 2 8.0 13/18 12.7s
#56 Grok 4.20 Multi Agent Beta medium X AI 2 6.4 7/18 9.80s
#64 DeepSeek V3.2 none DeepSeek 2 6.1 7/18 12.1s
#10 Qwen3.5-27B medium Qwen 1 8.4 13/18 53.0s
#23 MiMo-V2-Pro medium Xiaomi 1 8.1 12/18 12.3s
#35 MiMo-V2-Omni medium Xiaomi 1 7.7 11/18 16.8s
#41 MiMo-V2-Flash medium Xiaomi 1 7.5 11/18 23.4s
#47 Grok 4.20 medium X AI 1 7.0 9/18 10.3s
#50 Hunter Alpha medium OpenRouter 1 6.7 8/18 10.3s
#82 Grok 4.20 none X AI 1 5.2 5/18 1.11s
#87 Qwen3 Coder Next none Qwen 1 5.1 4/18 10.2s
#94 MiMo-V2-Flash none Xiaomi 1 4.5 3/18 2.79s
#97 Qwen3.5-9B medium Qwen 1 4.4 3/18 73.6s

Top modele după Număr de Formatare suplimentară

Număr de Formatare suplimentară vs Scor

Top modele după Timp de răspuns (mediu)