ترتيب إخفاقات لم يتبع التعليمات

اكتشف أي نماذج الذكاء الاصطناعي تواجه لم يتبع التعليمات أكثر من غيرها، حتى ترى مخاطر الاعتمادية قبل الاختيار.

النماذج المعروضة

إجمالي الإخفاقات

386

النموذج الأكثر تأثرًا

الفئات

ضمن الفئة حل الألغاز128 ضمن الفئة الذكاء العام115 ضمن الفئة اتباع التعليمات48 ضمن الفئة حيل مضادة للذكاء الاصطناعي44 ضمن الفئة البرمجة29 ضمن الفئة استدعاء الأدوات12 ضمن الفئة تحليل البيانات واستخراجها7 ضمن الفئة خاص بالمجال2 ضمن الفئة مجمّع1

215/215

الترتيب	النموذج	الشركة	عدد لم يتبع التعليمات	النتيجة	إجمالي التكلفة	اختبارات صحيحة	زمن الاستجابة (المتوسط)
#197	GPT-5.6 Terra none	OpenAI	1	6.0	$0.280	8/22	1.66s
إجمالي الاختبارات 22 الاختبارات الخاطئة 14 إجمالي التكلفة $0.280 زمن الاستجابة (المتوسط) 1.66s
#209	GPT-5.4 none	OpenAI	1	5.8	$0.397	7/22	2.08s
إجمالي الاختبارات 22 الاختبارات الخاطئة 15 إجمالي التكلفة $0.397 زمن الاستجابة (المتوسط) 2.08s
#215	Ling-3.0-flash none	Inclusionai	1	5.7	$0.004	6/22	3.56s
إجمالي الاختبارات 22 الاختبارات الخاطئة 16 إجمالي التكلفة $0.004 زمن الاستجابة (المتوسط) 3.56s
#226	KAT-Coder-Air V2.5 medium	Kwaipilot	1	5.6	$0.048	8/22	8.65s
إجمالي الاختبارات 22 الاختبارات الخاطئة 14 إجمالي التكلفة $0.048 زمن الاستجابة (المتوسط) 8.65s
#228	Hy4 preview low	Tencent	1	5.6	$1.745	3/22	214.3s
إجمالي الاختبارات 22 الاختبارات الخاطئة 19 إجمالي التكلفة $1.745 زمن الاستجابة (المتوسط) 214.3s
#231	Qwen3.8 27B none	Qwen	1	5.5	~$0.006	9/22	3.12s
إجمالي الاختبارات 22 الاختبارات الخاطئة 13 إجمالي التكلفة ~$0.006 زمن الاستجابة (المتوسط) 3.12s
#232	Mimo V2 Omni none	Xiaomi	1	5.5	$0.021	8/21	2.44s
إجمالي الاختبارات 21 الاختبارات الخاطئة 13 إجمالي التكلفة $0.021 زمن الاستجابة (المتوسط) 2.44s
#233	DeepSeek V4 Flash 0423 none	DeepSeek	1	5.4	$0.037	4/22	36.2s
إجمالي الاختبارات 22 الاختبارات الخاطئة 18 إجمالي التكلفة $0.037 زمن الاستجابة (المتوسط) 36.2s
#234	Laguna S 2.1 medium	Poolside	1	5.4	$0.053	4/22	58.4s
إجمالي الاختبارات 22 الاختبارات الخاطئة 18 إجمالي التكلفة $0.053 زمن الاستجابة (المتوسط) 58.4s
#240	Laguna S 2.1 high	Poolside	1	5.4	$0.114	4/22	111.6s
إجمالي الاختبارات 22 الاختبارات الخاطئة 18 إجمالي التكلفة $0.114 زمن الاستجابة (المتوسط) 111.6s
#241	Inkling Small none	Thinkingmachines	1	5.3	$0.054	5/22	1.51s
إجمالي الاختبارات 22 الاختبارات الخاطئة 17 إجمالي التكلفة $0.054 زمن الاستجابة (المتوسط) 1.51s
#242	Laguna XS 2.1 none	Poolside	1	5.3	$0.008	5/22	1.55s
إجمالي الاختبارات 22 الاختبارات الخاطئة 17 إجمالي التكلفة $0.008 زمن الاستجابة (المتوسط) 1.55s
#245	Gemini 3.1 Flash Lite Preview high	Google	1	5.3	$2.310	13/16	68.1s
إجمالي الاختبارات 16 الاختبارات الخاطئة 3 إجمالي التكلفة $2.310 زمن الاستجابة (المتوسط) 68.1s
#248	Inkling none	Thinkingmachines	1	5.2	$0.147	6/22	3.47s
إجمالي الاختبارات 22 الاختبارات الخاطئة 16 إجمالي التكلفة $0.147 زمن الاستجابة (المتوسط) 3.47s
#249	Granite 4.2 8B medium	IBM Granite	1	5.2	$0.009	7/22	46.0s
إجمالي الاختبارات 22 الاختبارات الخاطئة 15 إجمالي التكلفة $0.009 زمن الاستجابة (المتوسط) 46.0s

إخفاقات لم يتبع التعليمات

تصفية النماذج

أفضل النماذج حسب عدد لم يتبع التعليمات

عدد لم يتبع التعليمات مقابل النتيجة

أفضل النماذج حسب زمن الاستجابة (المتوسط)