सूचनांचे पालन केले नाही अपयश क्रमवारी

कोणत्या AI मॉडेल्सना सूचनांचे पालन केले नाही सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: अपयशांची संख्या ↑.

दाखवलेली मॉडेल्स

एकूण अपयशे

522

सर्वाधिक प्रभावित मॉडेल

Claude Opus 5.5 1

श्रेणी

293/293

क्रमांक	मॉडेल	कंपनी	सूचनांचे पालन केले नाही संख्या	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#440	Clef Omni default	Cloudflare	1	0.2	$0.011	2/12	880ms
एकूण चाचण्या 12 चुकीच्या चाचण्या 10 एकूण खर्च $0.011 प्रतिसाद वेळ (सरासरी) 880ms
#442	Step 3.5 Flash none	Stepfun	1	0.2	$0.020	6/12	39.0s
एकूण चाचण्या 12 चुकीच्या चाचण्या 6 एकूण खर्च $0.020 प्रतिसाद वेळ (सरासरी) 39.0s
#445	LFM2-24B-A2B default	Liquid	1	0.2	$0.001	2/16	782ms
एकूण चाचण्या 16 चुकीच्या चाचण्या 14 एकूण खर्च $0.001 प्रतिसाद वेळ (सरासरी) 782ms
#450	Nimble v3 9B default	Bespoke Labs	1	0.8	~$0.001	1/7	363ms
एकूण चाचण्या 7 चुकीच्या चाचण्या 6 एकूण खर्च ~$0.001 प्रतिसाद वेळ (सरासरी) 363ms
#34	Claude Sonnet 5.5 max	Anthropic	2	0.9	$8.557	18/23	84.3s
एकूण चाचण्या 23 चुकीच्या चाचण्या 5 एकूण खर्च $8.557 प्रतिसाद वेळ (सरासरी) 84.3s
#38	GPT-5.3-Codex medium	OpenAI	2	0.9	$1.318	17/23	18.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 6 एकूण खर्च $1.318 प्रतिसाद वेळ (सरासरी) 18.9s
#40	Muse Spark 1.3 high	Meta	2	0.9	$1.891	17/23	52.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 6 एकूण खर्च $1.891 प्रतिसाद वेळ (सरासरी) 52.9s
#54	Muse Spark Open low	Meta	2	0.9	$0.600	16/23	21.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 7 एकूण खर्च $0.600 प्रतिसाद वेळ (सरासरी) 21.6s
#57	Muse Spark 1.1 medium	Meta	2	0.9	$1.665	16/23	27.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 7 एकूण खर्च $1.665 प्रतिसाद वेळ (सरासरी) 27.0s
#61	GPT-5.4 medium	OpenAI	2	0.9	$2.213	16/23	24.8s
एकूण चाचण्या 23 चुकीच्या चाचण्या 7 एकूण खर्च $2.213 प्रतिसाद वेळ (सरासरी) 24.8s
#62	Muse Spark Open medium	Meta	2	0.9	$1.260	15/23	77.4s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च $1.260 प्रतिसाद वेळ (सरासरी) 77.4s
#67	Qwen3.8 27B high	Qwen	2	0.9	~$0.298	17/23	166.3s
एकूण चाचण्या 23 चुकीच्या चाचण्या 6 एकूण खर्च ~$0.298 प्रतिसाद वेळ (सरासरी) 166.3s
#75	Claude Haiku 5.5 low	Anthropic	2	0.9	$0.061	16/23	7.51s
एकूण चाचण्या 23 चुकीच्या चाचण्या 7 एकूण खर्च $0.061 प्रतिसाद वेळ (सरासरी) 7.51s
#82	Nemotron 3.5 Super VL high	NVIDIA	2	0.8	$0.349	15/23	49.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च $0.349 प्रतिसाद वेळ (सरासरी) 49.9s
#88	Muse Spark 1.1 high	Meta	2	0.8	$2.570	13/23	37.4s
एकूण चाचण्या 23 चुकीच्या चाचण्या 10 एकूण खर्च $2.570 प्रतिसाद वेळ (सरासरी) 37.4s

←

1 9 10 11 20

→

सूचनांचे पालन केले नाही अपयशे

मॉडेल फिल्टर करा

सूचनांचे पालन केले नाही संख्या नुसार शीर्ष मॉडेल्स

सूचनांचे पालन केले नाही संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स