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.
अयशस्वी होण्याची कारणे
61/61
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) |
|---|---|---|---|---|---|---|---|
| #126 | Qwen3.5 Plus 2026-04-20 none | Qwen | 1 | 6.2 | $0.122 | 1/2 | 1.17s |
| #127 | Qwen3.5-35B-A3B none | Qwen | 1 | 6.3 | $0.106 | 1/2 | 809ms |
| #136 | GPT-5.4 Mini none | OpenAI | 1 | 6.3 | $0.095 | 1/2 | 728ms |
| #138 | Kimi K2.6 none | Moonshot AI | 1 | 6.5 | $0.184 | 1/2 | 1.64s |
| #139 | GPT-5.4 none | OpenAI | 1 | 6.5 | $0.397 | 1/2 | 1.07s |
| #142 | Qwen3.5-122B-A10B none | Qwen | 1 | 6.3 | $0.247 | 1/2 | 513ms |
| #145 | GLM 5V Turbo none | Z.ai | 1 | 6.5 | $0.052 | 1/2 | 1.97s |
| #146 | Owl Alpha medium | Openrouter | 1 | 6.5 | $0.000 | 1/2 | 10.2s |
| #147 | Mimo V2 PRO none | Xiaomi | 1 | 6.5 | $0.045 | 1/2 | 2.51s |
| #148 | Owl Alpha none | Openrouter | 1 | 6.4 | $0.000 | 1/2 | 2.63s |
| #152 | Qwen3.6 27B none | Qwen | 1 | 6.2 | $0.087 | 1/2 | 1.92s |
| #154 | MiMo-V2.5-Pro none | Xiaomi | 1 | 6.4 | $0.068 | 1/2 | 1.03s |
| #155 | Kimi K2.5 none | Moonshot AI | 1 | 6.5 | $0.127 | 1/2 | 2.67s |
| #156 | Gemma 4 26B A4B none | 1 | 6.3 | $0.015 | 1/2 | 690ms | |
| #157 | Mimo V2 Omni none | Xiaomi | 1 | 6.5 | $0.021 | 1/2 | 4.26s |