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
82/82
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) |
|---|---|---|---|---|---|---|---|
| #190 | Qwen3.6 Flash none | Qwen | 1 | 6.3 | $0.062 | 1/2 | 1.10s |
| #191 | Gemma 4 31B none | 1 | 6.5 | $0.016 | 1/2 | 2.84s | |
| #192 | Qwen3.5 Plus 2026-04-20 none | Qwen | 1 | 6.2 | $0.122 | 1/2 | 1.17s |
| #194 | Trinity Large Thinking low | Arcee AI | 1 | 4.4 | $0.625 | 0/2 | 4.07s |
| #200 | Qwen3.5-Flash none | Qwen | 1 | 6.3 | $0.073 | 1/2 | 8.81s |
| #201 | Qwen3.5-35B-A3B none | Qwen | 1 | 6.3 | $0.142 | 1/2 | 809ms |
| #207 | GPT-5.4 Mini none | OpenAI | 1 | 6.3 | $0.095 | 1/2 | 728ms |
| #209 | GPT-5.4 none | OpenAI | 1 | 6.5 | $0.397 | 1/2 | 1.07s |
| #210 | Solar Pro 4 none | Upstage | 1 | 6.4 | $0.006 | 1/2 | 1.67s |
| #215 | Ling-3.0-flash none | Inclusionai | 1 | 4.8 | $0.004 | 0/2 | 836ms |
| #217 | Kimi K2.6 none | Moonshot AI | 1 | 6.5 | $0.233 | 1/2 | 1.64s |
| #218 | Qwen3.5-122B-A10B none | Qwen | 1 | 6.3 | $0.283 | 1/2 | 513ms |
| #221 | GLM 5V Turbo none | Z.ai | 1 | 6.5 | $0.052 | 1/2 | 1.97s |
| #222 | Owl Alpha medium | Openrouter | 1 | 6.5 | $0.000 | 1/2 | 10.2s |
| #223 | Gemma 4 26B A4B none | 1 | 6.3 | $0.015 | 1/2 | 690ms |