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) |
|---|---|---|---|---|---|---|---|
| #350 | Mercury 2.5 Preview low | Inception | 1 | 0.6 | $0.015 | 1/2 | 1.60s |
| #351 | MiniMax M2.7 medium | Minimax | 1 | 0.4 | $0.326 | 0/2 | 12.8s |
| #352 | Dots 3 Note Preview default | Dots Studio | 1 | 0.5 | $0.000 | 0/2 | 1.06s |
| #353 | GPT-4o-mini default | OpenAI | 1 | 0.6 | $0.024 | 1/2 | 1.11s |
| #356 | Inkling Small none | Thinkingmachines | 1 | 0.6 | $0.054 | 1/2 | 767ms |
| #357 | Qwen3 Coder Next default | Qwen | 1 | 0.6 | $0.067 | 1/2 | 7.78s |
| #358 | Laguna S 2.1 high | Poolside | 1 | 0.5 | $0.145 | 0/2 | 453ms |
| #360 | Ling 2.6 1t default | Inclusionai | 1 | 0.6 | $0.016 | 1/2 | 5.36s |
| #361 | MiMo-V2.5 none | Xiaomi | 1 | 0.7 | $0.049 | 1/2 | 751ms |
| #362 | Qwen3.5-9B none | Qwen | 1 | 0.7 | $0.041 | 1/2 | 514ms |
| #363 | Hy4 preview none | Tencent | 1 | 0.7 | $0.165 | 1/2 | 47.9s |
| #366 | GLM 4.7 Flash none | Z.ai | 1 | 0.7 | $0.027 | 1/2 | 888ms |
| #367 | Mercury 2.5 Preview default | Inception | 1 | 0.6 | $0.023 | 1/2 | 1.26s |
| #369 | North Mini Code default | Cohere | 1 | 0.7 | $0.000 | 1/2 | 30.7s |
| #370 | Laguna S 2.1 none | Poolside | 1 | 0.4 | $0.044 | 0/2 | 566ms |