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) |
|---|---|---|---|---|---|---|---|
| #56 | GPT-5.4 Mini medium | OpenAI | 1 | 4.5 | $0.756 | 0/1 | 3.72s |
| #58 | Qwen3.5-27B medium | Qwen | 1 | 6.1 | $1.627 | 0/1 | 101.4s |
| #63 | Claude Sonnet 4.6 none | Anthropic | 1 | 6.1 | $0.661 | 0/1 | 2.56s |
| #71 | Qwen3.7 Plus none | Qwen | 1 | 5.3 | $0.106 | 0/1 | 1.33s |
| #73 | Grok 4.3 medium | X AI | 1 | 5.4 | $0.779 | 0/1 | 24.7s |
| #75 | Grok 4.20 medium | X AI | 1 | 3.9 | $0.777 | 0/1 | 24.5s |
| #77 | Kimi K2.5 medium | Moonshot AI | 1 | 6.5 | $0.600 | 0/1 | 69.7s |
| #78 | Mercury 2 medium | Inception | 1 | 4.8 | $0.093 | 0/1 | 821ms |
| #80 | Seed-2.0-Mini medium | Bytedance Seed | 1 | 5.1 | $0.101 | 0/1 | 36.7s |
| #81 | KAT-Coder-Pro V2.5 medium | Kwaipilot | 1 | 4.7 | $0.467 | 0/1 | 2.35s |
| #84 | MiMo-V2.5-Pro medium | Xiaomi | 1 | 5.5 | $0.187 | 0/1 | 4.02s |
| #90 | Qwen3.6 35B A3B medium | Qwen | 1 | 4.4 | $0.746 | 0/1 | 8.66s |
| #99 | Qwen3.6 27B medium | Qwen | 1 | 6.5 | $0.779 | 0/1 | 39.5s |
| #101 | MiMo-V2.5 medium | Xiaomi | 1 | 5.4 | $0.082 | 0/1 | 5.37s |
| #103 | Qwen3.5-27B none | Qwen | 1 | 5.0 | $0.090 | 0/1 | 2.51s |