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: सही परीक्षण ↓.
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) |
|---|---|---|---|---|---|---|---|
| #131 | Qwen3.7 Plus none | Qwen | 1 | 0.6 | $0.178 | 1/2 | 929ms |
| #146 | Space Bunny Alpha high | Stealth | 1 | 0.6 | $0.000 | 1/2 | 2.04s |
| #147 | GLM 5.1 medium | Z.ai | 1 | 0.6 | $1.546 | 1/2 | 7.47s |
| #158 | DeepSeek V4 Pro 0423 none | DeepSeek | 1 | 0.6 | $0.083 | 1/2 | 4.12s |
| #165 | LongCat 2.0 high | Meituan | 1 | 0.7 | $0.778 | 1/2 | 6.96s |
| #168 | Qwen3.5-27B none | Qwen | 1 | 0.6 | $0.116 | 1/2 | 1.03s |
| #174 | LongCat 2.0 medium | Meituan | 1 | 0.7 | $0.767 | 1/2 | 7.38s |
| #181 | Minimax M3.1 Flash low | Minimax | 1 | 0.6 | $0.000 | 1/2 | 1.60s |
| #210 | Qwen3.5-Flash none | Qwen | 1 | 0.6 | $0.089 | 1/2 | 8.81s |
| #219 | GPT-5.5 none | OpenAI | 1 | 0.6 | $1.212 | 1/2 | 1.15s |
| #222 | LongCat 2.0 low | Meituan | 1 | 0.7 | $0.630 | 1/2 | 6.39s |
| #238 | Qwen3.5-122B-A10B none | Qwen | 1 | 0.6 | $0.308 | 1/2 | 513ms |
| #239 | Gemini 3 Flash Preview none | 1 | 0.6 | $0.155 | 1/2 | 1.58s | |
| #247 | Gemini 3.5 Flash minimal | 1 | 0.6 | $0.508 | 1/2 | 893ms | |
| #251 | LongCat 2.0 none | Meituan | 1 | 0.7 | $0.104 | 1/2 | 2.82s |