AI BENCHY
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY विफलताएँ

निर्देशों का पालन नहीं किया विफलताएँ

देखें कि किन AI मॉडलों में निर्देशों का पालन नहीं किया सबसे अधिक होता है, ताकि आप चुनने से पहले भरोसेमंदी के जोखिम समझ सकें। क्रमबद्ध करें: सही परीक्षण ↑.

दिखाए गए मॉडल

13

कुल विफलताएँ

215

सबसे अधिक प्रभावित मॉडल

Granite 4.1 8B 4
रैंक मॉडल कंपनी निर्देशों का पालन नहीं किया संख्या स्कोर सही परीक्षण प्रतिक्रिया समय (औसत)
#21 GPT-5.4 medium OpenAI 2 8.0 14/21 22.3s
#22 Step 3.7 Flash medium Stepfun 1 8.0 14/21 20.4s
#23 GLM 5 Turbo medium Z.ai 1 8.0 14/21 23.0s
#24 GPT-5.2 Chat none OpenAI 1 7.9 14/21 7.13s
#26 Qwen3.6 Plus medium Qwen 1 7.9 14/21 30.7s
#28 Gemini 2.5 Flash medium Google 1 7.8 14/21 15.5s
#32 Gemini 3.5 Flash minimal Google 1 7.7 14/21 1.57s
#33 Hy3 preview medium Tencent 1 7.7 14/21 16.3s
#15 GPT-5.3-Codex medium OpenAI 2 8.4 15/21 16.2s
#17 GLM 5 medium Z.ai 1 8.3 15/21 33.5s
#13 Grok 4.20 Beta medium X AI 1 8.5 14/18 9.75s
#12 Gemini 3.1 Flash Lite Preview high Google 1 8.6 13/16 68.1s
#7 Gemini 3.5 Flash medium Google 1 9.0 18/21 4.94s

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