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
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) |
|---|---|---|---|---|---|---|---|
| #294 | GPT-5.4 Mini none | OpenAI | 1 | 0.6 | $0.170 | 1/2 | 728ms |
| #295 | Mistral Large 4 none | Mistral | 1 | 0.7 | $0.290 | 1/2 | 1.16s |
| #298 | Gemma 4 31B none | 1 | 0.7 | $0.031 | 1/2 | 2.84s | |
| #299 | Space Bunny Alpha low | Stealth | 1 | 0.4 | $0.000 | 0/2 | 1.43s |
| #300 | GPT-5.4 none | OpenAI | 1 | 0.7 | $0.690 | 1/2 | 1.07s |
| #301 | Solar Pro 4 none | Upstage | 1 | 0.6 | $0.022 | 1/2 | 1.67s |
| #304 | Qwen3.5-35B-A3B none | Qwen | 1 | 0.6 | $0.120 | 1/2 | 809ms |
| #307 | Kimi K2.6 none | Moonshot AI | 1 | 0.7 | $0.486 | 1/2 | 1.64s |
| #310 | GPT-6 Luna none | OpenAI | 1 | 0.6 | $0.026 | 1/2 | 17.0s |
| #311 | Gemma 4 26B A4B none | 1 | 0.6 | $0.031 | 1/2 | 690ms | |
| #315 | Qwen3.8 27B none | Qwen | 1 | 0.6 | ~$0.010 | 1/2 | 582ms |
| #318 | MiMo-V2.6-Flash none | Xiaomi | 1 | 0.7 | $0.060 | 1/2 | 810ms |
| #322 | GPT-5.6 Luna none | OpenAI | 1 | 0.7 | $0.042 | 1/2 | 1.23s |
| #323 | Granite 4.2 8B low | IBM Granite | 1 | 0.3 | $0.036 | 0/2 | 75.8s |
| #324 | Kimi K2.5 none | Moonshot AI | 1 | 0.7 | $0.262 | 1/2 | 2.67s |