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: Timp de răspuns (mediu) ↑.
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) |
|---|---|---|---|---|---|---|
| #22 | Step 3.7 Flash medium | Stepfun | 5 | 8.0 | 14/21 | 20.4s |
| #126 | gpt-oss-120b none | OpenAI | 8 | 5.4 | 6/19 | 21.6s |
| #51 | Mimo V2 PRO medium | Xiaomi | 5 | 7.4 | 12/21 | 22.2s |
| #99 | gpt-oss-120b medium | OpenAI | 9 | 6.1 | 9/21 | 22.3s |
| #45 | GPT-5.4 Mini medium | OpenAI | 6 | 7.5 | 12/21 | 22.3s |
| #21 | GPT-5.4 medium | OpenAI | 5 | 8.0 | 14/21 | 22.3s |
| #23 | GLM 5 Turbo medium | Z.ai | 4 | 8.0 | 14/21 | 23.0s |
| #59 | GLM 5V Turbo medium | Z.ai | 7 | 7.2 | 11/21 | 23.1s |
| #54 | GPT-5 Mini medium | OpenAI | 5 | 7.3 | 12/21 | 23.6s |
| #86 | Grok 4.1 Fast medium | X AI | 4 | 6.5 | 9/19 | 23.8s |
| #89 | Hy3 preview low | Tencent | 4 | 6.4 | 10/21 | 24.6s |
| #69 | Claude Opus 4.6 medium | Anthropic | 3 | 7.0 | 12/21 | 25.9s |
| #43 | MiMo-V2.5-Pro medium | Xiaomi | 3 | 7.5 | 12/21 | 26.1s |
| #139 | DeepSeek V4 Flash none | DeepSeek | 12 | 5.0 | 5/21 | 26.8s |
| #56 | MiMo-V2.5 medium | Xiaomi | 5 | 7.3 | 12/21 | 27.1s |