Samanya Buddhimatta: सूचनांचे पालन केले नाही
Samanya Buddhimatta
सूचनांचे पालन केले नाही
Samanya Buddhimatta मध्ये कोणत्या AI मॉडेल्सना सूचनांचे पालन केले नाही येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील.
अयशस्वी होण्याची कारणे
78/78
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | सूचनांचे पालन केले नाही संख्या | श्रेणी स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #12 | Grok 4.5 high | X AI | 1 | 4.7 | $1.707 | 0/1 | 9.82s |
| #13 | GPT-5.3-Codex medium | OpenAI | 1 | 4.6 | $0.920 | 0/1 | 4.87s |
| #18 | GPT-5.4 medium | OpenAI | 1 | 4.7 | $1.533 | 0/1 | 4.92s |
| #21 | GPT-5.2 medium | OpenAI | 1 | 3.7 | $0.951 | 0/1 | 4.32s |
| #23 | Claude Sonnet 5 medium | Anthropic | 1 | 4.8 | $0.922 | 0/1 | 4.32s |
| #25 | Gemini 2.5 Flash medium | 1 | 4.8 | $0.643 | 0/1 | 4.86s | |
| #26 | GPT-5 Mini medium | OpenAI | 1 | 4.5 | $0.237 | 0/1 | 13.5s |
| #30 | GPT-5.2 Chat none | OpenAI | 1 | 4.4 | $0.604 | 0/1 | 3.20s |
| #35 | Seed-2.0-Lite medium | Bytedance Seed | 1 | 6.7 | $0.234 | 0/1 | 18.2s |
| #37 | Qwen3.6 Plus medium | Qwen | 1 | 5.1 | $0.405 | 0/1 | 27.1s |
| #42 | GLM 5 medium | Z.ai | 1 | 6.1 | $0.307 | 0/1 | 14.7s |
| #45 | DeepSeek V4 Flash high | DeepSeek | 1 | 6.1 | $0.042 | 0/1 | 25.2s |
| #47 | MiniMax M3 medium | Minimax | 1 | 5.1 | $0.286 | 0/1 | 33.3s |
| #53 | GPT-5.4 Nano medium | OpenAI | 1 | 4.5 | $0.138 | 0/1 | 4.15s |
| #54 | GPT-5.3 Chat none | OpenAI | 1 | 4.6 | $0.571 | 0/1 | 1.99s |