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) |
|---|---|---|---|---|---|---|---|
| #372 | Owl Alpha default | Openrouter | 1 | 0.6 | $0.000 | 1/2 | 2.63s |
| #376 | Mimo V2 Omni default | Xiaomi | 1 | 0.7 | $0.021 | 1/2 | 4.26s |
| #377 | Nemotron 3 Super none | NVIDIA | 1 | 0.6 | $0.016 | 1/2 | 804ms |
| #379 | Trinity Large Preview default | Arcee AI | 1 | 0.4 | $0.008 | 0/2 | 822ms |
| #382 | Mercury 2 none | Inception | 1 | 0.7 | $0.033 | 1/2 | 551ms |
| #385 | GLM 4.7 Flash medium | Z.ai | 1 | 0.6 | $0.193 | 1/2 | 2.97s |
| #387 | GLM 5 Turbo none | Z.ai | 1 | 0.7 | $0.047 | 1/2 | 2.13s |
| #388 | Mercury 2.5 none | Inception | 1 | 0.5 | $0.026 | 0/2 | 493ms |
| #395 | Ling 3.0 Tiny default | Inclusionai | 1 | 0.3 | $0.000 | 0/2 | 2.44s |
| #396 | Granite 4.1 8b default | IBM Granite | 1 | 0.4 | $0.007 | 0/2 | 344ms |
| #397 | Nemotron 3.5 Lightning none | NVIDIA | 1 | 0.7 | $0.009 | 1/2 | 511ms |
| #402 | Grok 4.20 Beta default | X AI | 1 | 0.6 | $0.087 | 1/2 | 649ms |
| #403 | Laguna M.1 default | Poolside | 1 | 0.6 | $0.009 | 1/2 | 683ms |
| #406 | Hunter Alpha default | OpenRouter | 1 | 0.6 | $0.000 | 1/2 | 2.82s |
| #407 | Grok 4.20 none | X AI | 1 | 0.6 | $0.057 | 1/2 | 445ms |