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) |
|---|---|---|---|---|---|---|
| #75 | GLM 5.1 none | Z.ai | 10 | 5.6 | 5/18 | 4.33s |
| #78 | Trinity Large Preview none | Arcee AI | 11 | 5.3 | 5/18 | 5.07s |
| #81 | Elephant medium | Openrouter | 9 | 5.2 | 5/18 | 1.27s |
| #82 | Grok 4.20 none | X AI | 9 | 5.2 | 5/18 | 1.11s |
| #83 | Mistral Small 4 none | Mistral | 11 | 5.2 | 5/18 | 665ms |
| #85 | Elephant none | Openrouter | 9 | 5.2 | 5/18 | 1.23s |
| #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 |
| #80 | MiniMax M2.7 medium | Minimax | 5 | 5.3 | 4/18 | 31.1s |
| #84 | gpt-oss-120b none | OpenAI | 6 | 5.2 | 4/18 | 12.0s |
| #87 | Qwen3 Coder Next none | Qwen | 12 | 5.1 | 4/18 | 10.2s |
| #88 | Nemotron 3 Super none | NVIDIA | 10 | 5.1 | 4/18 | 8.54s |
| #89 | GPT-4o-mini none | OpenAI | 13 | 4.9 | 4/18 | 2.00s |
| #90 | Qwen3.5-9B none | Qwen | 10 | 4.8 | 4/18 | 1.47s |
| #91 | Mercury 2 none | Inception | 13 | 4.8 | 4/18 | 613ms |