Сбои по категориям AI BENCHY
Программирование: Неверный ответ
Программирование
Неверный ответ
Посмотрите, какие AI-модели чаще всего сталкиваются с Неверный ответ в Программирование, чтобы быстрее находить слабые места. Сортировать по: Общая стоимость ↓.
Причины сбоев
134/134
Фильтровать модели
Нет моделей, соответствующих текущему поиску и фильтрам.
| Ранг | Модель | Компания | Количество Неверный ответ | Оценка категории | Общая стоимость | Тестов верно | Время ответа (среднее) |
|---|---|---|---|---|---|---|---|
| #12 | GPT-5.5 medium | OpenAI | 1 | 8.8 | $3.679 | 2/3 | 59.8s |
| #26 | Grok 4.5 medium | X AI | 1 | 7.6 | $1.696 | 2/3 | 155.7s |
| #39 | Claude Sonnet 4.6 medium | Anthropic | 1 | 5.7 | $1.418 | 1/3 | 33.3s |
| #46 | Claude Opus 4.8 low | Anthropic | 1 | 6.6 | $1.270 | 1/3 | 7.58s |
| #20 | GPT-5.4 medium | OpenAI | 1 | 8.8 | $1.210 | 2/3 | 44.4s |
| #76 | Step 3.7 Flash high | Stepfun | 1 | 4.0 | $1.148 | 0/3 | 206.2s |
| #80 | Gemini 3.5 Flash none | 1 | 8.8 | $1.079 | 2/3 | 34.7s | |
| #10 | Gemini 3.1 Pro Preview medium | 1 | 7.9 | $1.054 | 2/3 | 40.2s | |
| #14 | Qwen3.6 Max Preview medium | Qwen | 1 | 8.8 | $0.960 | 2/3 | 146.5s |
| #54 | Grok Build 0.1 medium | X AI | 1 | 5.7 | $0.927 | 1/3 | 108.5s |
| #51 | GPT-5.6 Luna high | OpenAI | 2 | 5.5 | $0.924 | 1/3 | 15.6s |
| #29 | GPT-5.6 Terra high | OpenAI | 1 | 7.6 | $0.852 | 2/3 | 9.14s |
| #87 | Mimo V2 Omni medium | Xiaomi | 1 | 3.3 | $0.683 | 0/3 | 183.9s |
| #16 | Claude Opus 4.7 medium | Anthropic | 1 | 7.6 | $0.679 | 2/3 | 13.0s |
| #2 | Gemini 3 Flash Preview medium | 1 | 8.6 | $0.667 | 2/3 | 84.4s |