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) |
|---|---|---|---|---|---|---|
| #65 | Grok 4.20 medium | X AI | 6 | 7.1 | 12/21 | 27.7s |
| #100 | Grok Build 0.1 none | X AI | 7 | 6.0 | 7/19 | 28.7s |
| #26 | Qwen3.6 Plus medium | Qwen | 5 | 7.9 | 14/21 | 30.7s |
| #105 | Nemotron 3 Super medium | NVIDIA | 5 | 5.8 | 8/21 | 32.0s |
| #17 | GLM 5 medium | Z.ai | 3 | 8.3 | 15/21 | 33.5s |
| #55 | GLM 5.1 medium | Z.ai | 4 | 7.3 | 12/21 | 33.7s |
| #158 | GLM 4.7 Flash medium | Z.ai | 9 | 4.4 | 4/21 | 35.1s |
| #9 | GPT-5.5 medium | OpenAI | 4 | 8.8 | 17/21 | 38.0s |
| #130 | MiniMax M2.7 medium | Minimax | 6 | 5.3 | 5/21 | 38.2s |
| #18 | Qwen3.7 Plus medium | Qwen | 5 | 8.2 | 15/21 | 38.9s |
| #83 | Step 3.5 Flash none | Stepfun | 1 | 6.6 | 6/12 | 39.0s |
| #119 | Cobuddy medium | Baidu | 9 | 5.6 | 7/21 | 39.9s |
| #80 | Mimo V2 Omni medium | Xiaomi | 5 | 6.7 | 10/21 | 41.2s |
| #29 | Qwen3.5-122B-A10B medium | Qwen | 5 | 7.8 | 14/21 | 42.5s |
| #94 | GPT-5 Nano medium | OpenAI | 9 | 6.3 | 9/21 | 42.5s |