ترتيب البرمجة x لم يتبع التعليمات

اكتشف أي نماذج الذكاء الاصطناعي هي الأكثر عرضة لظهور لم يتبع التعليمات في البرمجة، حتى ترصد نقاط الضعف بسرعة أكبر. الترتيب حسب: اختبارات صحيحة ↓.

النماذج المعروضة

إجمالي الإخفاقات

النموذج الأكثر تأثرًا

Qwen3.8 27B 1

أسباب الفشل

إجابة خاطئة456 خطأ API64 لا توجد إجابة41 لم يتبع التعليمات41 تنسيق إضافي36 انتهت المهلة24

الفئات

حل الألغاز147 الذكاء العام134 اتباع التعليمات65 حيل مضادة للذكاء الاصطناعي49 البرمجة41 استدعاء الأدوات12 مهام الوكلاء10 تحليل البيانات واستخراجها8 خاص بالمجال3 مجمّع1

38/38

الترتيب	النموذج	الشركة	عدد لم يتبع التعليمات	درجة الفئة	إجمالي التكلفة	اختبارات صحيحة	زمن الاستجابة (المتوسط)
#56	Qwen3.8 27B high	Qwen	1	0.8	~$0.298	2/3	248.6s
إجمالي الاختبارات 3 الاختبارات الخاطئة 1 إجمالي التكلفة ~$0.298 زمن الاستجابة (المتوسط) 248.6s
#64	Claude Haiku 5.5 low	Anthropic	1	0.8	$0.061	2/3	7.30s
إجمالي الاختبارات 3 الاختبارات الخاطئة 1 إجمالي التكلفة $0.061 زمن الاستجابة (المتوسط) 7.30s
#107	Gemini 3.5 Flash medium	Google	1	0.8	$1.316	2/3	12.6s
إجمالي الاختبارات 3 الاختبارات الخاطئة 1 إجمالي التكلفة $1.316 زمن الاستجابة (المتوسط) 12.6s
#160	Qwen3.8 Flash Next xhigh	Qwen	1	0.7	~$0.195	2/3	192.2s
إجمالي الاختبارات 3 الاختبارات الخاطئة 1 إجمالي التكلفة ~$0.195 زمن الاستجابة (المتوسط) 192.2s
#245	Trinity Large Thinking medium	Arcee AI	1	0.8	$0.862	2/3	179.0s
إجمالي الاختبارات 3 الاختبارات الخاطئة 1 إجمالي التكلفة $0.862 زمن الاستجابة (المتوسط) 179.0s
#77	DeepSeek V4 Flash 0731 high	DeepSeek	1	0.6	$0.576	1/3	252.7s
إجمالي الاختبارات 3 الاختبارات الخاطئة 2 إجمالي التكلفة $0.576 زمن الاستجابة (المتوسط) 252.7s
#108	Qwen3.8 2.4T A95B high	Qwen	1	0.6	$2.949	1/3	160.5s
إجمالي الاختبارات 3 الاختبارات الخاطئة 2 إجمالي التكلفة $2.949 زمن الاستجابة (المتوسط) 160.5s
#131	Seed-2.0-Code high	Bytedance Seed	1	0.6	$1.448	1/3	266.7s
إجمالي الاختبارات 3 الاختبارات الخاطئة 2 إجمالي التكلفة $1.448 زمن الاستجابة (المتوسط) 266.7s
#139	DeepSeek V4 Pro 0423 none	DeepSeek	1	0.6	$0.083	1/3	13.4s
إجمالي الاختبارات 3 الاختبارات الخاطئة 2 إجمالي التكلفة $0.083 زمن الاستجابة (المتوسط) 13.4s
#178	Claude Opus 4.8 none	Anthropic	1	0.5	$2.334	1/3	3.29s
إجمالي الاختبارات 3 الاختبارات الخاطئة 2 إجمالي التكلفة $2.334 زمن الاستجابة (المتوسط) 3.29s
#206	Mercury 2.5 Preview high	Inception	1	0.7	$0.040	1/3	6.13s
إجمالي الاختبارات 3 الاختبارات الخاطئة 2 إجمالي التكلفة $0.040 زمن الاستجابة (المتوسط) 6.13s
#219	Gemini 3.5 Flash minimal	Google	1	0.6	$0.508	1/3	2.75s
إجمالي الاختبارات 3 الاختبارات الخاطئة 2 إجمالي التكلفة $0.508 زمن الاستجابة (المتوسط) 2.75s
#231	Ling 3.1 Flash low	Inclusionai	1	0.6	$0.000	1/3	107.3s
إجمالي الاختبارات 3 الاختبارات الخاطئة 2 إجمالي التكلفة $0.000 زمن الاستجابة (المتوسط) 107.3s
#232	Claude Opus 4.6 medium	Anthropic	1	0.6	$2.961	1/3	30.1s
إجمالي الاختبارات 3 الاختبارات الخاطئة 2 إجمالي التكلفة $2.961 زمن الاستجابة (المتوسط) 30.1s
#266	DeepSeek V4.1 Flash none	DeepSeek	1	0.6	$0.391	1/3	83.7s
إجمالي الاختبارات 3 الاختبارات الخاطئة 2 إجمالي التكلفة $0.391 زمن الاستجابة (المتوسط) 83.7s

تصفية النماذج

أفضل النماذج حسب عدد لم يتبع التعليمات

عدد لم يتبع التعليمات مقابل النتيجة

أفضل النماذج حسب زمن الاستجابة (المتوسط)

أفضل النماذج حسب التكلفة المهدرة التقديرية

البرمجة: لم يتبع التعليمات

تصفية النماذج

أفضل النماذج حسب عدد لم يتبع التعليمات

عدد لم يتبع التعليمات مقابل النتيجة

أفضل النماذج حسب زمن الاستجابة (المتوسط)