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: एकूण खर्च ↑.

दाखवलेली मॉडेल्स

एकूण अपयशे

522

सर्वाधिक प्रभावित मॉडेल

Minimax M3.1 Flash 1

श्रेणी

293/293

क्रमांक	मॉडेल	कंपनी	सूचनांचे पालन केले नाही संख्या	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#402	Grok 4.1 Fast medium	X AI	4	0.4	$0.069	9/19	23.8s
एकूण चाचण्या 19 चुकीच्या चाचण्या 10 एकूण खर्च $0.069 प्रतिसाद वेळ (सरासरी) 23.8s
#290	Gemini 3.1 Flash Lite none	Google	1	0.6	$0.069	9/23	3.58s
एकूण चाचण्या 23 चुकीच्या चाचण्या 14 एकूण खर्च $0.069 प्रतिसाद वेळ (सरासरी) 3.58s
#372	Qwen3 Coder Next medium	Qwen	3	0.5	$0.071	3/23	17.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 20 एकूण खर्च $0.071 प्रतिसाद वेळ (सरासरी) 17.0s
#140	Qwen3.7 Flash low	Qwen	3	0.8	$0.071	12/23	41.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 11 एकूण खर्च $0.071 प्रतिसाद वेळ (सरासरी) 41.0s
#170	Qwen3.8 27B medium	Qwen	2	0.7	~$0.073	14/23	40.1s
एकूण चाचण्या 23 चुकीच्या चाचण्या 9 एकूण खर्च ~$0.073 प्रतिसाद वेळ (सरासरी) 40.1s
#135	GPT-6 Luna high	OpenAI	1	0.8	$0.074	15/23	20.4s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च $0.074 प्रतिसाद वेळ (सरासरी) 20.4s
#221	Qwen3.7 Flash medium	Qwen	4	0.7	$0.076	10/23	51.8s
एकूण चाचण्या 23 चुकीच्या चाचण्या 13 एकूण खर्च $0.076 प्रतिसाद वेळ (सरासरी) 51.8s
#258	Solar Pro 4 high	Upstage	3	0.6	$0.077	11/23	128.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.077 प्रतिसाद वेळ (सरासरी) 128.9s
#288	Gemini 3.1 Flash Lite minimal	Google	3	0.6	$0.080	10/23	3.95s
एकूण चाचण्या 23 चुकीच्या चाचण्या 13 एकूण खर्च $0.080 प्रतिसाद वेळ (सरासरी) 3.95s
#315	Nemotron 3 Super medium	NVIDIA	3	0.6	$0.081	8/23	56.4s
एकूण चाचण्या 23 चुकीच्या चाचण्या 15 एकूण खर्च $0.081 प्रतिसाद वेळ (सरासरी) 56.4s
#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
#411	Grok 4.20 Beta default	X AI	1	0.4	$0.087	6/18	1.19s
एकूण चाचण्या 18 चुकीच्या चाचण्या 12 एकूण खर्च $0.087 प्रतिसाद वेळ (सरासरी) 1.19s
#92	Claude Haiku 5.5 high	Anthropic	1	0.8	$0.088	15/23	10.4s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च $0.088 प्रतिसाद वेळ (सरासरी) 10.4s
#53	GLM 5.3 Flash max	Z.ai	1	0.9	$0.089	17/23	54.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 6 एकूण खर्च $0.089 प्रतिसाद वेळ (सरासरी) 54.0s
#145	Qwen3.8 27B low	Qwen	1	0.8	~$0.089	15/23	46.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च ~$0.089 प्रतिसाद वेळ (सरासरी) 46.6s

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