टूल कॉलिंग x निर्देशों का पालन नहीं किया रैंकिंग

AI BENCHY श्रेणी विफलताएँ

देखें कि टूल कॉलिंग में किन AI मॉडलों में निर्देशों का पालन नहीं किया आने की सबसे अधिक संभावना है, ताकि आप कमजोरियाँ जल्दी पहचान सकें। क्रमबद्ध करें: सही परीक्षण ↓.

दिखाए गए मॉडल

कुल विफलताएँ

सबसे अधिक प्रभावित मॉडल

Grok 4.20 Beta 1

विफलता के कारण

API त्रुटि15 अमान्य टूल कॉल7 निर्देशों का पालन नहीं किया6 कोई उत्तर नहीं2 गलत उत्तर2

श्रेणियाँ

पहेली समाधान78 Samanya Buddhimatta74 एंटी-एआई ट्रिक्स30 कोडिंग14 निर्देश पालन11 टूल कॉलिंग6 डोमेन-विशिष्ट1 संयुक्त1

रैंक	मॉडल	कंपनी	निर्देशों का पालन नहीं किया संख्या	श्रेणी स्कोर	सही परीक्षण	प्रतिक्रिया समय (औसत)
#13	Grok 4.20 Beta medium	X AI	1	3.0	0/1	12.4s
#45	GPT-5.4 Mini medium	OpenAI	1	4.7	0/1	9.62s
#65	Grok 4.20 medium	X AI	1	3.0	0/1	13.7s
#130	MiniMax M2.7 medium	Minimax	1	4.7	0/1	12.0s
#141	Nemotron 3 Super none	NVIDIA	1	4.7	0/1	16.0s
#144	GPT-5.4 Mini none	OpenAI	1	3.0	0/1	2.32s

निर्देशों का पालन नहीं किया संख्या के अनुसार शीर्ष मॉडल

निर्देशों का पालन नहीं किया संख्या बनाम स्कोर

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल

अनुमानित व्यर्थ लागत के अनुसार शीर्ष मॉडल

टूल कॉलिंग: निर्देशों का पालन नहीं किया

निर्देशों का पालन नहीं किया संख्या के अनुसार शीर्ष मॉडल

निर्देशों का पालन नहीं किया संख्या बनाम स्कोर

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल

अनुमानित व्यर्थ लागत के अनुसार शीर्ष मॉडल