सूचनांचे पालन केले नाही अपयश क्रमवारी

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

दाखवलेली मॉडेल्स

एकूण अपयशे

522

सर्वाधिक प्रभावित मॉडेल

Claude Sonnet 5.5 5

श्रेणी

293/293

क्रमांक	मॉडेल	कंपनी	सूचनांचे पालन केले नाही संख्या	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#114	Qwen3.8 Flash Next low	Qwen	1	0.8	~$0.045	15/23	23.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च ~$0.045 प्रतिसाद वेळ (सरासरी) 23.7s
#117	GLM 5.3 FlashX max	Z.ai	1	0.8	$0.623	15/23	44.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च $0.623 प्रतिसाद वेळ (सरासरी) 44.0s
#121	Gemini 3.5 Flash medium	Google	1	0.8	$1.316	18/23	11.8s
एकूण चाचण्या 23 चुकीच्या चाचण्या 5 एकूण खर्च $1.316 प्रतिसाद वेळ (सरासरी) 11.8s
#123	MiMo-V2.6-Flash medium	Xiaomi	1	0.8	$0.218	12/23	61.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 11 एकूण खर्च $0.218 प्रतिसाद वेळ (सरासरी) 61.9s
#124	Muse Wonder max	Meta	1	0.8	$4.766	16/23	44.4s
एकूण चाचण्या 23 चुकीच्या चाचण्या 7 एकूण खर्च $4.766 प्रतिसाद वेळ (सरासरी) 44.4s
#128	GLM 5.3 high	Z.ai	1	0.8	$0.495	14/23	28.4s
एकूण चाचण्या 23 चुकीच्या चाचण्या 9 एकूण खर्च $0.495 प्रतिसाद वेळ (सरासरी) 28.4s
#130	Grok 4.6 medium	X AI	1	0.8	$2.270	16/23	74.8s
एकूण चाचण्या 23 चुकीच्या चाचण्या 7 एकूण खर्च $2.270 प्रतिसाद वेळ (सरासरी) 74.8s
#131	Qwen3.7 Plus none	Qwen	1	0.8	$0.178	13/23	17.8s
एकूण चाचण्या 23 चुकीच्या चाचण्या 10 एकूण खर्च $0.178 प्रतिसाद वेळ (सरासरी) 17.8s
#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
#137	Nemotron 3.5 Super VL medium	NVIDIA	1	0.8	$0.437	14/23	84.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 9 एकूण खर्च $0.437 प्रतिसाद वेळ (सरासरी) 84.9s
#141	Muse Glimmer 30B medium	Meta	1	0.8	$0.288	12/23	34.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 11 एकूण खर्च $0.288 प्रतिसाद वेळ (सरासरी) 34.0s
#143	Qwen3.8 Flash Next medium	Qwen	1	0.8	~$0.047	15/23	24.8s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च ~$0.047 प्रतिसाद वेळ (सरासरी) 24.8s
#144	GPT-6 Luna low	OpenAI	1	0.8	$0.033	12/23	23.2s
एकूण चाचण्या 23 चुकीच्या चाचण्या 11 एकूण खर्च $0.033 प्रतिसाद वेळ (सरासरी) 23.2s
#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
#148	Seed-2.0-Mini medium	Bytedance Seed	1	0.8	$0.140	12/23	91.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 11 एकूण खर्च $0.140 प्रतिसाद वेळ (सरासरी) 91.7s

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