答案错误失败排名

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。

显示的模型数

失败总数

1104

受影响最多的模型

分类

在分类领域专项中307 在分类反AI技巧中236 在分类谜题求解中142 在分类常识问答中127 在分类编程中121 在分类指令遵循中52 在分类综合中51 在分类数据解析与提取中35 在分类通用智能中31 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）
#6	Gemini 3.5 Flash medium	Google	2	9.0	17/20	4.29s
#7	Claude Opus 4.7 medium	Anthropic	2	8.9	17/20	4.48s
#14	Gemini 3.1 Flash Lite Preview high	Google	2	8.6	13/16	68.1s
#25	Gemma 4 31B medium	Google	2	8.0	14/20	35.4s
#68	Qwen3.5-35B-A3B medium	Qwen	2	7.3	11/20	69.7s
#1	Gemini 3 Flash Preview medium	Google	1	9.8	19/20	16.5s
#2	Gemini 3.5 Flash high	Google	1	9.6	19/20	8.30s
#37	Step 3.5 Flash none	Stepfun	1	7.8	9/12	39.0s

答案错误失败