答案错误失败排名 | AI BENCHY

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

8

失败总数

3172

受影响最多的模型

分类

在分类领域专项中893 在分类反AI技巧中519 在分类编程中484 在分类谜题求解中352 在分类常识问答中315 在分类通用智能中134 在分类智能体任务中128 在分类综合中128 在分类指令遵循中117 在分类数据解析与提取中93

443/443

排名	模型	公司	答案错误次数	分数	总成本	测试正确	响应时间（平均）
#449	Tev1 4B Experimental default	Togethercomputer	4	1.0	$0.002	3/7	498ms
总测试数 7 错误测试数 4 总成本 $0.002 响应时间（平均） 498ms
#9	Gemini 3.7 Flash high	Google	2	1.0	$0.528	21/23	15.1s
总测试数 23 错误测试数 2 总成本 $0.528 响应时间（平均） 15.1s
#10	Gemini 3.6 Flash medium	Google	2	1.0	$0.577	21/23	14.0s
总测试数 23 错误测试数 2 总成本 $0.577 响应时间（平均） 14.0s
#6	GPT-6.1 Sol xhigh	OpenAI	1	1.0	$1.377	22/23	33.1s
总测试数 23 错误测试数 1 总成本 $1.377 响应时间（平均） 33.1s
#7	GPT-6 Astra high	OpenAI	1	1.0	$4.458	22/23	20.2s
总测试数 23 错误测试数 1 总成本 $4.458 响应时间（平均） 20.2s
#8	GPT-6 Astra xhigh	OpenAI	1	1.0	$6.213	22/23	29.7s
总测试数 23 错误测试数 1 总成本 $6.213 响应时间（平均） 29.7s
#3	GPT-6 Sol high	OpenAI	1	1.0	$0.921	22/23	23.6s
总测试数 23 错误测试数 1 总成本 $0.921 响应时间（平均） 23.6s
#1	Gemini 3.6 Flash high	Google	1	1.0	$0.900	22/23	18.9s
总测试数 23 错误测试数 1 总成本 $0.900 响应时间（平均） 18.9s

←

1 29 30

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