AI BENCHY
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY श्रेणी अपयशे

कोडी सोडवणे: सूचनांचे पालन केले नाही

कोडी सोडवणे
सूचनांचे पालन केले नाही

कोडी सोडवणे मध्ये कोणत्या AI मॉडेल्सना सूचनांचे पालन केले नाही येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↑.

दाखवलेली मॉडेल्स

15

एकूण अपयशे

75

सर्वाधिक प्रभावित मॉडेल

Grok 4.20 1
क्रमांक मॉडेल कंपनी सूचनांचे पालन केले नाही संख्या श्रेणी स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#82 Grok 4.20 none X AI 1 5.3 1/3 487ms
#79 Grok 4.20 Beta none X AI 1 5.9 1/3 541ms
#62 Gemini 2.5 Flash none Google 1 5.7 1/3 576ms
#83 Mistral Small 4 none Mistral 2 3.1 0/3 589ms
#90 Qwen3.5-9B none Qwen 2 3.2 0/3 683ms
#60 Gemma 4 26B A4B none Google 1 5.7 1/3 739ms
#85 Elephant none Openrouter 1 3.3 0/3 849ms
#86 GPT-5.4 Mini none OpenAI 1 5.4 1/3 860ms
#81 Elephant medium Openrouter 2 3.7 0/3 867ms
#54 Mercury 2 medium Inception 2 3.9 0/3 934ms
#74 GLM 4.7 Flash none Z.ai 2 4.4 0/3 1.00s
#96 GPT-5.4 Nano none OpenAI 1 3.7 0/3 1.29s
#63 Qwen3.5-35B-A3B none Qwen 1 3.9 0/3 1.34s
#67 Qwen3.5-27B none Qwen 1 6.7 1/3 1.37s
#75 GLM 5.1 none Z.ai 1 5.7 1/3 1.48s

सूचनांचे पालन केले नाही संख्या नुसार शीर्ष मॉडेल्स

सूचनांचे पालन केले नाही संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स

अंदाजित वाया गेलेला खर्च नुसार शीर्ष मॉडेल्स