谜题求解 x 答案错误排名 | AI BENCHY

AI BENCHY 分类失败

看看哪些 AI 模型在谜题求解上最容易遇到答案错误，更快找出薄弱点。

显示的模型数

15

失败总数

147

受影响最多的模型

Qwen3.5-Flash 3

失败原因

答案错误147 未遵循指令78 API 错误13 超时5 额外格式5 无答案1

分类

领域专项314 反AI技巧245 编程194 谜题求解147 常识问答130 指令遵循53 综合52 数据解析与提取35 通用智能32 工具调用2

排名	模型	公司	答案错误次数	分类得分	测试正确	响应时间（平均）
#124	Kimi K2.6 none	Moonshot AI	2	3.1	0/3	1.40s
#127	Grok 4.20 none	X AI	2	5.3	1/3	473ms
#128	Qwen3.6 Flash none	Qwen	2	3.5	0/3	1.21s
#131	Qwen3.5-122B-A10B none	Qwen	2	3.8	0/3	1.00s
#132	Mistral Small 4 medium	Mistral	2	3.4	0/3	2.17s
#137	Elephant Alpha none	Openrouter	2	4.2	0/3	807ms
#138	Ling-2.6-flash none	Inclusionai	2	2.9	0/3	6.51s
#142	Mistral Small 4 none	Mistral	2	3.1	0/3	399ms
#145	Laguna M.1 none	Poolside	2	3.0	0/3	891ms
#147	GPT-4o-mini none	OpenAI	2	3.5	0/3	1.21s
#149	Nemotron 3 Nano Omni 30b A3b Reasoning medium	NVIDIA	2	2.9	0/3	1.40s
#150	Qwen3 Coder Next medium	Qwen	2	3.0	0/3	1.25s
#151	Trinity Large Preview none	Arcee AI	2	3.6	0/3	1.97s
#152	MiMo-V2-Flash none	Xiaomi	2	5.3	1/3	1.86s
#154	Qwen3.5-9B none	Qwen	2	3.2	0/3	621ms

←

1 2 3 8

→

按答案错误次数排名的顶级模型

答案错误次数对比分数

按响应时间（平均）排名的顶级模型

按预估浪费成本排名的顶级模型