सूचनांचे पालन केले नाही अपयश क्रमवारी | AI BENCHY

AI BENCHY अपयशे

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

दाखवलेली मॉडेल्स

15

एकूण अपयशे

215

सर्वाधिक प्रभावित मॉडेल

Gemini 3.5 Flash 1

श्रेणी

कोडी सोडवणे श्रेणीत78 Samanya Buddhimatta श्रेणीत74 अँटी-एआय युक्त्या श्रेणीत30 कोडिंग श्रेणीत14 सूचनांचे पालन श्रेणीत11 टूल कॉलिंग श्रेणीत6 डोमेन-विशिष्ट श्रेणीत1 संयुक्त श्रेणीत1

क्रमांक	मॉडेल	कंपनी	सूचनांचे पालन केले नाही संख्या	स्कोअर	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#33	Hy3 preview medium	Tencent	1	7.7	14/21	16.3s
#38	Grok 4.3 medium	X AI	2	7.6	13/21	47.5s
#39	Qwen3.6 Flash medium	Qwen	1	7.5	12/21	19.2s
#40	Gemini 3.1 Flash Lite Preview medium	Google	1	7.5	13/21	3.96s
#42	GPT-5.2 medium	OpenAI	3	7.5	13/21	16.9s
#43	MiMo-V2.5-Pro medium	Xiaomi	2	7.5	12/21	26.1s
#44	Gemini 3.1 Flash Lite medium	Google	1	7.5	13/21	3.23s
#45	GPT-5.4 Mini medium	OpenAI	3	7.5	12/21	22.3s
#46	Qwen3.6 35B A3B medium	Qwen	1	7.4	13/21	18.1s
#49	Qwen3.5-Flash medium	Qwen	1	7.4	12/21	63.3s
#50	Gemini 3.1 Flash Lite Preview low	Google	1	7.4	13/21	2.77s
#51	Mimo V2 PRO medium	Xiaomi	1	7.4	12/21	22.2s
#53	Gemini 3.1 Flash Lite high	Google	3	7.3	10/18	62.0s
#54	GPT-5 Mini medium	OpenAI	3	7.3	12/21	23.6s
#56	MiMo-V2.5 medium	Xiaomi	1	7.3	12/21	27.1s

←

1 2 3 8

→

सूचनांचे पालन केले नाही संख्या नुसार शीर्ष मॉडेल्स

सूचनांचे पालन केले नाही संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स