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) |
|---|---|---|---|---|---|---|---|
| #291 | Qwen3.6 Flash none | Qwen | 1 | 0.6 | $0.139 | 1/2 | 1.10s |
| #294 | Qwen3.7 Flash none | Qwen | 1 | 0.6 | $0.028 | 1/2 | 892ms |
| #295 | Qwen3.8 Flash Next none | Qwen | 1 | 0.7 | ~$0.011 | 1/2 | 612ms |
| #296 | DeepSeek V4.1 Flash 1017 none | DeepSeek | 1 | 0.7 | $0.055 | 1/2 | 608ms |
| #298 | DeepSeek V4.1 Flash none | DeepSeek | 1 | 0.7 | $0.391 | 1/2 | 6.81s |
| #301 | Trinity Large Thinking high | Arcee AI | 1 | 0.6 | $0.794 | 1/2 | 4.12s |
| #303 | GPT-5.4 Mini none | OpenAI | 1 | 0.6 | $0.170 | 1/2 | 728ms |
| #304 | Mistral Large 4 none | Mistral | 1 | 0.7 | $0.290 | 1/2 | 1.16s |
| #307 | Gemma 4 31B none | 1 | 0.7 | $0.031 | 1/2 | 2.84s | |
| #308 | Space Bunny Alpha low | Stealth | 1 | 0.4 | $0.000 | 0/2 | 1.43s |
| #309 | GPT-5.4 none | OpenAI | 1 | 0.7 | $0.690 | 1/2 | 1.07s |
| #310 | Solar Pro 4 none | Upstage | 1 | 0.6 | $0.022 | 1/2 | 1.67s |
| #313 | Qwen3.5-35B-A3B none | Qwen | 1 | 0.6 | $0.120 | 1/2 | 809ms |
| #316 | Kimi K2.6 none | Moonshot AI | 1 | 0.7 | $0.486 | 1/2 | 1.64s |
| #319 | GPT-6 Luna none | OpenAI | 1 | 0.6 | $0.026 | 1/2 | 17.0s |