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: 测试正确 ↓.

显示的模型数

8

失败总数

3172

受影响最多的模型

Gemini 3.6 Flash 1

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）
#404	Ling 3.0 Tiny default	Inclusionai	13	0.4	$0.000	2/23	13.4s
总测试数 23 错误测试数 21 总成本 $0.000 响应时间（平均） 13.4s
#405	Granite 4.1 8b default	IBM Granite	13	0.4	$0.007	2/23	1.38s
总测试数 23 错误测试数 21 总成本 $0.007 响应时间（平均） 1.38s
#447	Microsoft-Decision-1 default	Microsoft	11	0.1	$0.002	1/12	982ms
总测试数 12 错误测试数 11 总成本 $0.002 响应时间（平均） 982ms
#407	Xing4.0 29b A4b medium	Xingchen AGI	9	0.4	$0.000	1/23	371.7s
总测试数 23 错误测试数 22 总成本 $0.000 响应时间（平均） 371.7s
#417	Command A+ medium	Cohere	1	0.3	$0.064	0/23	91.7s
总测试数 23 错误测试数 23 总成本 $0.064 响应时间（平均） 91.7s
#421	Xing4.0 29b A4b none	Xingchen AGI	13	0.3	$0.000	0/23	42.7s
总测试数 23 错误测试数 23 总成本 $0.000 响应时间（平均） 42.7s
#423	Command A+ high	Cohere	1	0.3	$0.079	0/23	90.0s
总测试数 23 错误测试数 23 总成本 $0.079 响应时间（平均） 90.0s
#427	Command A+ low	Cohere	1	0.3	$0.073	0/23	92.5s
总测试数 23 错误测试数 23 总成本 $0.073 响应时间（平均） 92.5s

←

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