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 domeniului182 În categoria Trucuri anti-AI165 În categoria Rezolvare de puzzle-uri85 În categoria Respectarea instrucțiunilor44 În categoria Combinat37 În categoria Programare28 În categoria Parsare și extragere de date19 În categoria Inteligență generală10 În categoria Apelare instrumente2
| Rang | Model | Companie | Număr de Răspuns greșit | Scor | Teste corecte | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|
| #91 | Mercury 2 none | Inception | 13 | 4.8 | 4/18 | 613ms |
| #83 | Mistral Small 4 none | Mistral | 11 | 5.2 | 5/18 | 665ms |
| #98 | LFM2-24B-A2B none | Liquid | 9 | 4.1 | 1/16 | 811ms |
| #62 | Gemini 2.5 Flash none | 10 | 6.2 | 7/18 | 903ms | |
| #82 | Grok 4.20 none | X AI | 9 | 5.2 | 5/18 | 1.11s |
| #86 | GPT-5.4 Mini none | OpenAI | 10 | 5.1 | 5/18 | 1.17s |
| #79 | Grok 4.20 Beta none | X AI | 10 | 5.3 | 4/18 | 1.19s |
| #85 | Elephant none | Openrouter | 9 | 5.2 | 5/18 | 1.23s |
| #81 | Elephant medium | Openrouter | 9 | 5.2 | 5/18 | 1.27s |
| #29 | Gemini 3.1 Flash Lite Preview none | 4 | 7.9 | 12/18 | 1.30s | |
| #96 | GPT-5.4 Nano none | OpenAI | 13 | 4.5 | 2/18 | 1.40s |
| #90 | Qwen3.5-9B none | Qwen | 10 | 4.8 | 4/18 | 1.47s |
| #66 | GPT-5.4 none | OpenAI | 10 | 5.9 | 7/18 | 1.51s |
| #21 | Gemini 3 Flash Preview none | 5 | 8.1 | 13/18 | 1.65s | |
| #67 | Qwen3.5-27B none | Qwen | 10 | 5.9 | 6/18 | 1.74s |