सूचनांचे पालन: चुकीचे उत्तर
सूचनांचे पालन
चुकीचे उत्तर
सूचनांचे पालन मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: एकूण खर्च ↓.
अयशस्वी होण्याची कारणे
111/111
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | श्रेणी स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #144 | GLM 5.1 medium | Z.ai | 1 | 0.6 | $1.546 | 1/2 | 7.47s |
| #214 | GPT-5.5 none | OpenAI | 1 | 0.6 | $1.212 | 1/2 | 1.15s |
| #256 | Trinity Large Thinking low | Arcee AI | 1 | 0.4 | $0.918 | 0/2 | 4.07s |
| #267 | Trinity Large Thinking medium | Arcee AI | 1 | 0.4 | $0.862 | 0/2 | 3.99s |
| #292 | Trinity Large Thinking high | Arcee AI | 1 | 0.6 | $0.794 | 1/2 | 4.12s |
| #162 | LongCat 2.0 high | Meituan | 1 | 0.7 | $0.778 | 1/2 | 6.96s |
| #171 | LongCat 2.0 medium | Meituan | 1 | 0.7 | $0.767 | 1/2 | 7.38s |
| #300 | GPT-5.4 none | OpenAI | 1 | 0.7 | $0.690 | 1/2 | 1.07s |
| #275 | Claude Sonnet 4.6 none | Anthropic | 1 | 0.7 | $0.661 | 1/2 | 1.96s |
| #217 | LongCat 2.0 low | Meituan | 1 | 0.7 | $0.630 | 1/2 | 6.39s |
| #240 | Gemini 3.5 Flash minimal | 1 | 0.6 | $0.508 | 1/2 | 893ms | |
| #307 | Kimi K2.6 none | Moonshot AI | 1 | 0.7 | $0.486 | 1/2 | 1.64s |
| #289 | DeepSeek V4.1 Flash none | DeepSeek | 1 | 0.7 | $0.391 | 1/2 | 6.81s |
| #342 | MiniMax M2.7 medium | Minimax | 1 | 0.4 | $0.326 | 0/2 | 12.8s |
| #232 | Qwen3.5-122B-A10B none | Qwen | 1 | 0.6 | $0.308 | 1/2 | 513ms |