निर्देश पालन: गलत उत्तर
निर्देश पालन
गलत उत्तर
देखें कि निर्देश पालन में किन AI मॉडलों में गलत उत्तर आने की सबसे अधिक संभावना है, ताकि आप कमजोरियाँ जल्दी पहचान सकें। क्रमबद्ध करें: कुल लागत ↓.
विफलता के कारण
117/117
मॉडल फ़िल्टर करें
मौजूदा खोज और फ़िल्टर से कोई मॉडल मेल नहीं खाता।
| रैंक | मॉडल | कंपनी | गलत उत्तर संख्या | श्रेणी स्कोर | कुल लागत | सही परीक्षण | प्रतिक्रिया समय (औसत) |
|---|---|---|---|---|---|---|---|
| #147 | GLM 5.1 medium | Z.ai | 1 | 0.6 | $1.546 | 1/2 | 7.47s |
| #219 | GPT-5.5 none | OpenAI | 1 | 0.6 | $1.212 | 1/2 | 1.15s |
| #264 | Trinity Large Thinking low | Arcee AI | 1 | 0.4 | $0.918 | 0/2 | 4.07s |
| #275 | Trinity Large Thinking medium | Arcee AI | 1 | 0.4 | $0.862 | 0/2 | 3.99s |
| #301 | Trinity Large Thinking high | Arcee AI | 1 | 0.6 | $0.794 | 1/2 | 4.12s |
| #165 | LongCat 2.0 high | Meituan | 1 | 0.7 | $0.778 | 1/2 | 6.96s |
| #174 | LongCat 2.0 medium | Meituan | 1 | 0.7 | $0.767 | 1/2 | 7.38s |
| #309 | GPT-5.4 none | OpenAI | 1 | 0.7 | $0.690 | 1/2 | 1.07s |
| #283 | Claude Sonnet 4.6 none | Anthropic | 1 | 0.7 | $0.661 | 1/2 | 1.96s |
| #222 | LongCat 2.0 low | Meituan | 1 | 0.7 | $0.630 | 1/2 | 6.39s |
| #247 | Gemini 3.5 Flash minimal | 1 | 0.6 | $0.508 | 1/2 | 893ms | |
| #316 | Kimi K2.6 none | Moonshot AI | 1 | 0.7 | $0.486 | 1/2 | 1.64s |
| #298 | DeepSeek V4.1 Flash none | DeepSeek | 1 | 0.7 | $0.391 | 1/2 | 6.81s |
| #351 | MiniMax M2.7 medium | Minimax | 1 | 0.4 | $0.326 | 0/2 | 12.8s |
| #238 | Qwen3.5-122B-A10B none | Qwen | 1 | 0.6 | $0.308 | 1/2 | 513ms |