答案错误失败排名 | AI BENCHY

AI BENCHY 失败分析

看看哪些 AI 模型最常遇到答案错误，让你在选择前先发现稳定性风险。排序方式: 分数 ↑.

显示的模型数

13

失败总数

1204

受影响最多的模型

Granite 4.1 8B 13

分类

在分类领域专项中314 在分类反AI技巧中245 在分类编程中194 在分类谜题求解中147 在分类常识问答中130 在分类指令遵循中53 在分类综合中52 在分类数据解析与提取中35 在分类通用智能中32 在分类工具调用中2

排名	模型	公司	答案错误次数	分数	测试正确	响应时间（平均）
#13	Grok 4.20 Beta medium	X AI	3	8.5	14/18	9.75s
#12	Gemini 3.1 Flash Lite Preview high	Google	2	8.6	13/16	68.1s
#11	Claude Opus 4.7 medium	Anthropic	3	8.7	17/21	4.73s
#10	Claude Opus 4.8 medium	Anthropic	3	8.7	17/21	9.66s
#9	GPT-5.5 medium	OpenAI	4	8.8	17/21	38.0s
#8	Claude Opus 4.7 none	Anthropic	3	8.9	16/19	3.02s
#7	Gemini 3.5 Flash medium	Google	2	9.0	18/21	4.94s
#6	GPT-5.5 low	OpenAI	3	9.0	18/21	9.76s
#5	Qwen3.7 Max medium	Qwen	3	9.1	18/21	16.0s
#3	Gemini 3.5 Flash low	Google	2	9.4	19/21	3.27s
#4	Gemini 3.1 Pro Preview medium	Google	2	9.4	19/21	20.1s
#2	Gemini 3.5 Flash high	Google	1	9.6	20/21	8.84s
#1	Gemini 3 Flash Preview medium	Google	1	9.8	20/21	18.6s

←

1 10 11

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