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) |
|---|---|---|---|---|---|---|---|
| #159 | GPT-5.6 Luna none | OpenAI | 1 | 7.1 | $0.142 | 1/2 | 1.23s |
| #160 | Laguna XS 2.1 none | Poolside | 1 | 3.8 | $0.008 | 0/2 | 364ms |
| #161 | Qwen3.6 35B A3B none | Qwen | 1 | 6.2 | $0.061 | 1/2 | 1.86s |
| #162 | Ling-2.6-1T none | Inclusionai | 1 | 6.4 | $0.016 | 1/2 | 5.36s |
| #164 | Inkling none | Thinkingmachines | 1 | 6.3 | $0.147 | 1/2 | 1.72s |
| #165 | Mistral Small 4 none | Mistral | 1 | 6.5 | $0.022 | 1/2 | 380ms |
| #166 | Qwen3 Coder Next none | Qwen | 1 | 6.3 | $0.025 | 1/2 | 7.78s |
| #167 | Mistral Small 4 medium | Mistral | 1 | 7.3 | $0.096 | 1/2 | 1.38s |
| #168 | MiMo-V2.5 none | Xiaomi | 1 | 6.5 | $0.025 | 1/2 | 751ms |
| #169 | Qwen3.5-9B none | Qwen | 1 | 6.5 | $0.021 | 1/2 | 514ms |
| #170 | GLM 5 Turbo none | Z.ai | 1 | 6.5 | $0.047 | 1/2 | 2.13s |
| #171 | North Mini Code none | Cohere | 1 | 6.5 | $0.000 | 1/2 | 30.7s |
| #172 | MiniMax M2.7 medium | Minimax | 1 | 3.8 | $0.163 | 0/2 | 12.8s |
| #174 | GPT-4o-mini none | OpenAI | 1 | 6.3 | $0.010 | 1/2 | 1.11s |
| #176 | GLM 4.7 Flash none | Z.ai | 1 | 6.5 | $0.016 | 1/2 | 888ms |