AI BENCHY
Your ad here

AI BENCHY श्रेणी अपयशे

सूचनांचे पालन: सूचनांचे पालन केले नाही

सूचनांचे पालन
सूचनांचे पालन केले नाही

सूचनांचे पालन मध्ये कोणत्या AI मॉडेल्सना सूचनांचे पालन केले नाही येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↓.

दाखवलेली मॉडेल्स

15

एकूण अपयशे

22

सर्वाधिक प्रभावित मॉडेल

Gemini 3.1 Flash Lite Preview 1
क्रमांक मॉडेल कंपनी सूचनांचे पालन केले नाही संख्या श्रेणी स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#11 Gemini 3.1 Flash Lite Preview high Google 1 7.9 1/2 70.1s
#45 GPT-5 Mini medium OpenAI 1 8.0 1/2 15.7s
#80 MiniMax M2.7 medium Minimax 1 3.7 0/2 12.6s
#57 GPT-5 Nano medium OpenAI 1 8.5 1/2 11.9s
#51 Nemotron 3 Super medium NVIDIA 1 7.2 1/2 7.72s
#92 Qwen3 Coder Next medium Qwen 1 4.8 0/2 7.34s
#52 Grok 4.1 Fast medium X AI 1 6.6 1/2 5.30s
#84 gpt-oss-120b none OpenAI 1 8.4 1/2 5.10s
#30 Step 3.5 Flash medium Stepfun 1 8.5 1/2 4.98s
#25 Grok 4.20 Beta medium X AI 1 8.3 1/2 4.97s
#35 MiMo-V2-Omni medium Xiaomi 1 8.3 1/2 4.92s
#71 MiniMax M2.5 medium Minimax 1 8.1 1/2 4.64s
#56 Grok 4.20 Multi Agent Beta medium X AI 1 8.3 1/2 4.63s
#44 GPT-5.4 Mini medium OpenAI 1 7.4 1/2 2.50s
#75 GLM 5.1 none Z.ai 1 8.3 1/2 1.58s

सूचनांचे पालन केले नाही संख्या नुसार शीर्ष मॉडेल्स

सूचनांचे पालन केले नाही संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स

अंदाजित वाया गेलेला खर्च नुसार शीर्ष मॉडेल्स