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: Scor ↑.
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) |
|---|---|---|---|---|---|---|
| #88 | Qwen3.7 Plus none | Qwen | 10 | 6.4 | 10/21 | 2.85s |
| #87 | Gemini 3.1 Flash Lite minimal | 8 | 6.4 | 10/21 | 1.33s | |
| #86 | Grok 4.1 Fast medium | X AI | 4 | 6.5 | 9/19 | 23.8s |
| #85 | Gemma 4 31B none | 8 | 6.5 | 10/21 | 4.05s | |
| #84 | Grok 4.20 Multi Agent Beta medium | X AI | 4 | 6.6 | 8/18 | 9.69s |
| #83 | Step 3.5 Flash none | Stepfun | 1 | 6.6 | 6/12 | 39.0s |
| #82 | Hy3 preview high | Tencent | 3 | 6.6 | 11/21 | 56.6s |
| #81 | Mercury 2 medium | Inception | 8 | 6.6 | 10/21 | 2.24s |
| #80 | Mimo V2 Omni medium | Xiaomi | 5 | 6.7 | 10/21 | 41.2s |
| #79 | Hunter Alpha medium | OpenRouter | 4 | 6.7 | 8/18 | 10.3s |
| #78 | Qwen3.6 27B medium | Qwen | 6 | 6.8 | 10/21 | 59.7s |
| #77 | Claude Sonnet 4.6 none | Anthropic | 5 | 6.8 | 11/21 | 5.04s |
| #76 | Kimi K2.5 medium | Moonshot AI | 5 | 6.8 | 10/21 | 98.4s |
| #75 | Ring-2.6-1T medium | Inclusionai | 6 | 6.9 | 11/21 | 61.3s |
| #74 | Qwen3.6 Max Preview none | Qwen | 10 | 6.9 | 11/21 | 3.30s |