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
61/61
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) |
|---|---|---|---|---|---|---|---|
| #126 | Qwen3.5 Plus 2026-04-20 none | Qwen | 1 | 6.2 | $0.122 | 1/2 | 1.17s |
| #127 | Qwen3.5-35B-A3B none | Qwen | 1 | 6.3 | $0.106 | 1/2 | 809ms |
| #136 | GPT-5.4 Mini none | OpenAI | 1 | 6.3 | $0.095 | 1/2 | 728ms |
| #138 | Kimi K2.6 none | Moonshot AI | 1 | 6.5 | $0.184 | 1/2 | 1.64s |
| #139 | GPT-5.4 none | OpenAI | 1 | 6.5 | $0.397 | 1/2 | 1.07s |
| #142 | Qwen3.5-122B-A10B none | Qwen | 1 | 6.3 | $0.247 | 1/2 | 513ms |
| #145 | GLM 5V Turbo none | Z.ai | 1 | 6.5 | $0.052 | 1/2 | 1.97s |
| #146 | Owl Alpha medium | Openrouter | 1 | 6.5 | $0.000 | 1/2 | 10.2s |
| #147 | Mimo V2 PRO none | Xiaomi | 1 | 6.5 | $0.045 | 1/2 | 2.51s |
| #148 | Owl Alpha none | Openrouter | 1 | 6.4 | $0.000 | 1/2 | 2.63s |
| #152 | Qwen3.6 27B none | Qwen | 1 | 6.2 | $0.087 | 1/2 | 1.92s |
| #154 | MiMo-V2.5-Pro none | Xiaomi | 1 | 6.4 | $0.068 | 1/2 | 1.03s |
| #155 | Kimi K2.5 none | Moonshot AI | 1 | 6.5 | $0.127 | 1/2 | 2.67s |
| #156 | Gemma 4 26B A4B none | 1 | 6.3 | $0.015 | 1/2 | 690ms | |
| #157 | Mimo V2 Omni none | Xiaomi | 1 | 6.5 | $0.021 | 1/2 | 4.26s |