Eșecuri AI BENCHY
Eșecuri Răspuns greșit
Vezi ce modele AI se lovesc cel mai des de Răspuns greșit, ca să identifici riscurile de fiabilitate înainte să alegi. Sortează după: Număr de eșecuri ↑.
Categorii
În categoria Specific domeniului314 În categoria Trucuri anti-AI245 În categoria Programare194 În categoria Rezolvare de puzzle-uri147 În categoria Cultură generală130 În categoria Respectarea instrucțiunilor53 În categoria Combinat52 În categoria Parsare și extragere de date35 În categoria Inteligență generală32 În categoria Apelare instrumente2
| Rang | Model | Companie | Număr de Răspuns greșit | Scor | Teste corecte | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|
| #152 | MiMo-V2-Flash none | Xiaomi | 13 | 4.6 | 4/21 | 2.76s |
| #153 | Qwen3.6 35B A3B none | Qwen | 13 | 4.6 | 4/21 | 3.73s |
| #157 | Grok 4.1 Fast none | X AI | 13 | 4.4 | 3/19 | 1.62s |
| #163 | Granite 4.1 8B none | IBM Granite | 13 | 4.0 | 2/21 | 728ms |
| #140 | Qwen3 Coder Next none | Qwen | 14 | 4.9 | 5/21 | 8.62s |
| #141 | Nemotron 3 Super none | NVIDIA | 14 | 4.9 | 5/21 | 5.30s |
| #143 | MiMo-V2.5 none | Xiaomi | 14 | 4.9 | 5/21 | 2.20s |
| #154 | Qwen3.5-9B none | Qwen | 14 | 4.6 | 4/21 | 1.89s |
| #135 | Kimi K2.5 none | Moonshot AI | 15 | 5.2 | 6/21 | 13.2s |
| #142 | Mistral Small 4 none | Mistral | 15 | 4.9 | 5/21 | 630ms |
| #147 | GPT-4o-mini none | OpenAI | 15 | 4.8 | 5/21 | 1.77s |
| #148 | GPT-5.4 Nano none | OpenAI | 15 | 4.7 | 4/21 | 1.48s |
| #155 | Mercury 2 none | Inception | 16 | 4.5 | 4/21 | 653ms |