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।
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) |
|---|---|---|---|---|---|---|---|
| #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 | |
| #243 | Minimax M3.1 Flash xhigh | Minimax | 1 | 0.5 | $0.000 | 0/2 | 1.72s |
| #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 |
| #253 | Qwen3.6 27B none | Qwen | 1 | 0.6 | $0.148 | 1/2 | 1.92s |
| #256 | Minimax M3.1 Flash medium | Minimax | 1 | 0.5 | $0.000 | 0/2 | 1.72s |
| #264 | Trinity Large Thinking low | Arcee AI | 1 | 0.4 | $0.918 | 0/2 | 4.07s |
| #267 | Space Bunny Alpha xhigh | Stealth | 1 | 0.6 | $0.000 | 0/2 | 2.22s |
| #270 | DeepSeek V4 Flash 0731 none | DeepSeek | 1 | 0.5 | $0.053 | 0/2 | 1.42s |
| #275 | Trinity Large Thinking medium | Arcee AI | 1 | 0.4 | $0.862 | 0/2 | 3.99s |
| #277 | Inkling none | Thinkingmachines | 1 | 0.6 | $0.292 | 1/2 | 1.72s |
| #278 | Qwen3.5 Plus 2026-04-20 none | Qwen | 1 | 0.6 | $0.216 | 1/2 | 1.17s |
| #280 | Granite 4.2 8B medium | IBM Granite | 1 | 0.4 | $0.029 | 0/2 | 36.9s |
| #283 | Claude Sonnet 4.6 none | Anthropic | 1 | 0.7 | $0.661 | 1/2 | 1.96s |