AI BENCHY
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY अपयशे

सूचनांचे पालन केले नाही अपयशे

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

दाखवलेली मॉडेल्स

15

एकूण अपयशे

215

सर्वाधिक प्रभावित मॉडेल

MiniMax M2.7 5

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)
#58 Gemini 3.1 Flash Lite Preview none Google 2 7.2 12/21 1.21s
#60 Kimi K2.6 medium Moonshot AI 2 7.2 12/21 71.7s
#63 GPT-5.3 Chat none OpenAI 2 7.2 12/21 6.34s
#65 Grok 4.20 medium X AI 2 7.1 12/21 27.7s
#67 MiniMax M3 medium Minimax 2 7.1 11/21 68.2s
#70 GPT-5.4 Nano medium OpenAI 2 7.0 11/21 12.0s
#75 Ring-2.6-1T medium Inclusionai 2 6.9 11/21 61.3s
#76 Kimi K2.5 medium Moonshot AI 2 6.8 10/21 98.4s
#79 Hunter Alpha medium OpenRouter 2 6.7 8/18 10.3s
#80 Mimo V2 Omni medium Xiaomi 2 6.7 10/21 41.2s
#84 Grok 4.20 Multi Agent Beta medium X AI 2 6.6 8/18 9.69s
#94 GPT-5 Nano medium OpenAI 2 6.3 9/21 42.5s
#96 Ring-2.6-1T none Inclusionai 2 6.2 9/21 55.1s
#100 Grok Build 0.1 none X AI 2 6.0 7/19 28.7s
#102 Gemma 4 26B A4B none Google 2 6.0 8/21 5.91s

सूचनांचे पालन केले नाही संख्या नुसार शीर्ष मॉडेल्स

सूचनांचे पालन केले नाही संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स