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) |
|---|---|---|---|---|---|---|
| #78 | Qwen3.6 27B medium | Qwen | 6 | 6.8 | 10/21 | 59.7s |
| #107 | Laguna Xs.2 medium | Poolside | 6 | 5.8 | 6/19 | 6.73s |
| #130 | MiniMax M2.7 medium | Minimax | 6 | 5.3 | 5/21 | 38.2s |
| #34 | Qwen3.7 Max none | Qwen | 7 | 7.7 | 14/21 | 1.30s |
| #40 | Gemini 3.1 Flash Lite Preview medium | 7 | 7.5 | 13/21 | 3.96s | |
| #41 | Nemotron 3 Ultra 550b A55b medium | NVIDIA | 7 | 7.5 | 13/21 | 15.1s |
| #44 | Gemini 3.1 Flash Lite medium | 7 | 7.5 | 13/21 | 3.23s | |
| #50 | Gemini 3.1 Flash Lite Preview low | 7 | 7.4 | 13/21 | 2.77s | |
| #58 | Gemini 3.1 Flash Lite Preview none | 7 | 7.2 | 12/21 | 1.21s | |
| #59 | GLM 5V Turbo medium | Z.ai | 7 | 7.2 | 11/21 | 23.1s |
| #63 | GPT-5.3 Chat none | OpenAI | 7 | 7.2 | 12/21 | 6.34s |
| #100 | Grok Build 0.1 none | X AI | 7 | 6.0 | 7/19 | 28.7s |
| #129 | MiniMax M2.5 medium | Minimax | 7 | 5.3 | 5/21 | 65.4s |
| #133 | DeepSeek V3.2 none | DeepSeek | 7 | 5.2 | 6/21 | 13.8s |
| #149 | Nemotron 3 Nano Omni 30b A3b Reasoning medium | NVIDIA | 7 | 4.6 | 4/19 | 17.1s |