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: Teste corecte ↓.
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) |
|---|---|---|---|---|---|---|
| #17 | Gemini 3.1 Flash Lite Preview medium | 4 | 8.2 | 13/18 | 3.74s | |
| #19 | Qwen3.5-122B-A10B medium | Qwen | 3 | 8.1 | 13/18 | 31.4s |
| #20 | Qwen3.6 Plus medium | Qwen | 3 | 8.1 | 13/18 | 15.3s |
| #21 | Gemini 3 Flash Preview none | 5 | 8.1 | 13/18 | 1.65s | |
| #22 | Gemini 3.1 Flash Lite Preview low | 4 | 8.1 | 13/18 | 3.22s | |
| #24 | Gemma 4 26B A4B medium | 2 | 8.0 | 13/18 | 25.0s | |
| #26 | Claude Sonnet 4.6 medium | Anthropic | 2 | 8.0 | 13/18 | 12.7s |
| #18 | GLM 5 Turbo medium | Z.ai | 3 | 8.1 | 12/18 | 17.7s |
| #23 | MiMo-V2-Pro medium | Xiaomi | 3 | 8.1 | 12/18 | 12.3s |
| #25 | Grok 4.20 Beta medium | X AI | 3 | 8.0 | 12/18 | 9.81s |
| #27 | DeepSeek V3.2 medium | DeepSeek | 3 | 8.0 | 12/18 | 46.4s |
| #28 | GPT-5.2 Chat none | OpenAI | 5 | 7.9 | 12/18 | 6.84s |
| #29 | Gemini 3.1 Flash Lite Preview none | 4 | 7.9 | 12/18 | 1.30s | |
| #33 | GLM 5.1 medium | Z.ai | 3 | 7.8 | 12/18 | 24.1s |
| #37 | Claude Opus 4.6 medium | Anthropic | 2 | 7.6 | 12/18 | 21.1s |