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 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) |
|---|---|---|---|---|---|---|
| #50 | Gemini 3.1 Flash Lite Preview low | 7 | 7.4 | 13/21 | 2.77s | |
| #52 | Claude Sonnet 4.6 medium | Anthropic | 4 | 7.4 | 13/21 | 17.1s |
| #39 | Qwen3.6 Flash medium | Qwen | 8 | 7.5 | 12/21 | 19.2s |
| #43 | MiMo-V2.5-Pro medium | Xiaomi | 3 | 7.5 | 12/21 | 26.1s |
| #45 | GPT-5.4 Mini medium | OpenAI | 6 | 7.5 | 12/21 | 22.3s |
| #49 | Qwen3.5-Flash medium | Qwen | 4 | 7.4 | 12/21 | 63.3s |
| #51 | Mimo V2 PRO medium | Xiaomi | 5 | 7.4 | 12/21 | 22.2s |
| #54 | GPT-5 Mini medium | OpenAI | 5 | 7.3 | 12/21 | 23.6s |
| #55 | GLM 5.1 medium | Z.ai | 4 | 7.3 | 12/21 | 33.7s |
| #56 | MiMo-V2.5 medium | Xiaomi | 5 | 7.3 | 12/21 | 27.1s |
| #57 | Step 3.7 Flash low | Stepfun | 8 | 7.3 | 12/21 | 15.7s |
| #58 | Gemini 3.1 Flash Lite Preview none | 7 | 7.2 | 12/21 | 1.21s | |
| #60 | Kimi K2.6 medium | Moonshot AI | 3 | 7.2 | 12/21 | 71.7s |
| #61 | Gemini 3.1 Flash Lite low | 9 | 7.2 | 12/21 | 1.89s | |
| #63 | GPT-5.3 Chat none | OpenAI | 7 | 7.2 | 12/21 | 6.34s |