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)
#89	DeepSeek V4 Flash 0731 high	DeepSeek	2	0.8	$0.576	15/23	118.8s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च $0.576 प्रतिसाद वेळ (सरासरी) 118.8s
#100	DeepSeek V4.1 Flash 1017 max	DeepSeek	2	0.8	$0.757	15/23	78.2s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च $0.757 प्रतिसाद वेळ (सरासरी) 78.2s
#104	Seed-2.0-Lite medium	Bytedance Seed	2	0.8	$0.271	14/23	48.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 9 एकूण खर्च $0.271 प्रतिसाद वेळ (सरासरी) 48.9s
#106	DeepSeek V4 Pro 0423 high	DeepSeek	2	0.8	$0.149	11/23	91.3s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.149 प्रतिसाद वेळ (सरासरी) 91.3s
#108	DeepSeek V4 Flash 0423 high	DeepSeek	2	0.8	$0.261	14/23	56.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 9 एकूण खर्च $0.261 प्रतिसाद वेळ (सरासरी) 56.0s
#112	GPT-5.4 Nano medium	OpenAI	2	0.8	$0.235	13/23	16.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 10 एकूण खर्च $0.235 प्रतिसाद वेळ (सरासरी) 16.0s
#116	Qwen3.5-27B medium	Qwen	2	0.8	$1.135	14/23	114.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 9 एकूण खर्च $1.135 प्रतिसाद वेळ (सरासरी) 114.7s
#122	Qwen3.8 2.4T A95B high	Qwen	2	0.8	$2.949	15/23	120.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च $2.949 प्रतिसाद वेळ (सरासरी) 120.9s
#126	DeepSeek V4.1 Flash 1017 high	DeepSeek	2	0.8	$0.589	13/23	58.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 10 एकूण खर्च $0.589 प्रतिसाद वेळ (सरासरी) 58.6s
#129	Step 3.7 Flash medium	Stepfun	2	0.8	$0.571	13/23	26.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 10 एकूण खर्च $0.571 प्रतिसाद वेळ (सरासरी) 26.6s
#138	Claude Haiku 5.5 medium	Anthropic	2	0.8	$0.063	13/23	7.71s
एकूण चाचण्या 23 चुकीच्या चाचण्या 10 एकूण खर्च $0.063 प्रतिसाद वेळ (सरासरी) 7.71s
#149	Mistral Large 4 high	Mistral	2	0.8	$1.391	12/23	263.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 11 एकूण खर्च $1.391 प्रतिसाद वेळ (सरासरी) 263.7s
#157	Inkling Small high	Thinkingmachines	2	0.7	$0.398	14/23	29.1s
एकूण चाचण्या 23 चुकीच्या चाचण्या 9 एकूण खर्च $0.398 प्रतिसाद वेळ (सरासरी) 29.1s
#158	DeepSeek V4 Pro 0423 none	DeepSeek	2	0.7	$0.083	10/23	14.1s
एकूण चाचण्या 23 चुकीच्या चाचण्या 13 एकूण खर्च $0.083 प्रतिसाद वेळ (सरासरी) 14.1s
#161	GLM 5.3 Flash high	Z.ai	2	0.7	$0.056	13/23	29.1s
एकूण चाचण्या 23 चुकीच्या चाचण्या 10 एकूण खर्च $0.056 प्रतिसाद वेळ (सरासरी) 29.1s

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