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) |
|---|---|---|---|---|---|---|---|
| #224 | Mimo V2 PRO none | Xiaomi | 1 | 6.5 | $0.045 | 1/2 | 2.51s |
| #225 | Owl Alpha none | Openrouter | 1 | 6.4 | $0.000 | 1/2 | 2.63s |
| #229 | Qwen3.6 27B none | Qwen | 1 | 6.2 | $0.116 | 1/2 | 1.92s |
| #231 | Qwen3.8 27B none | Qwen | 1 | 6.3 | ~$0.006 | 1/2 | 582ms |
| #232 | Mimo V2 Omni none | Xiaomi | 1 | 6.5 | $0.021 | 1/2 | 4.26s |
| #234 | Laguna S 2.1 medium | Poolside | 1 | 4.2 | $0.053 | 0/2 | 400ms |
| #236 | GPT-5.6 Luna none | OpenAI | 1 | 7.1 | $0.029 | 1/2 | 1.23s |
| #237 | MiMo-V2.5-Pro none | Xiaomi | 1 | 6.4 | $0.068 | 1/2 | 1.03s |
| #238 | Kimi K2.5 none | Moonshot AI | 1 | 6.5 | $0.101 | 1/2 | 2.67s |
| #239 | DeepSeek V4 Flash 0731 none | DeepSeek | 1 | 5.0 | $0.011 | 0/2 | 1.42s |
| #240 | Laguna S 2.1 high | Poolside | 1 | 4.6 | $0.114 | 0/2 | 453ms |
| #241 | Inkling Small none | Thinkingmachines | 1 | 6.3 | $0.054 | 1/2 | 767ms |
| #242 | Laguna XS 2.1 none | Poolside | 1 | 3.8 | $0.008 | 0/2 | 364ms |
| #244 | Ling-2.6-1T none | Inclusionai | 1 | 6.4 | $0.016 | 1/2 | 5.36s |
| #246 | Qwen3.6 35B A3B none | Qwen | 1 | 6.2 | $0.051 | 1/2 | 1.86s |