Eșecuri pe categorii AI BENCHY
Trucuri anti-AI: Nu a urmat instrucțiunile
Trucuri anti-AI
Nu a urmat instrucțiunile
Vezi ce modele AI au cele mai mari șanse să întâmpine Nu a urmat instrucțiunile la Trucuri anti-AI, ca să găsești mai repede punctele slabe.
Motive de eșec
| Rang | Model | Companie | Număr de Nu a urmat instrucțiunile | Scor de categorie | Teste corecte | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|
| #108 | HY3 Preview none | Tencent | 2 | 4.8 | 1/4 | 11.1s |
| #20 | Gemini 3.1 Flash Lite Preview medium | 1 | 9.1 | 3/4 | 2.33s | |
| #35 | Gemini 3.1 Flash Lite Preview none | 1 | 7.5 | 2/4 | 1.04s | |
| #38 | GLM 5V Turbo medium | Z.ai | 1 | 7.2 | 2/4 | 10.8s |
| #42 | Kimi K2.6 medium | Moonshot AI | 1 | 7.0 | 2/4 | 11.6s |
| #44 | GPT-5.3 Chat none | OpenAI | 1 | 6.7 | 2/4 | 3.86s |
| #48 | GPT-5.2 medium | OpenAI | 1 | 6.5 | 2/4 | 7.81s |
| #53 | GPT-5 Mini medium | OpenAI | 1 | 7.1 | 2/4 | 13.9s |
| #65 | Mercury 2 medium | Inception | 1 | 6.9 | 2/4 | 1.12s |
| #79 | gpt-oss-120b medium | OpenAI | 1 | 6.7 | 2/4 | 10.2s |
| #83 | MiniMax M2.5 medium | Minimax | 1 | 7.9 | 2/4 | 20.8s |
| #94 | MiniMax M2.7 medium | Minimax | 1 | 7.9 | 2/4 | 40.3s |
| #98 | gpt-oss-120b none | OpenAI | 1 | 6.6 | 2/4 | 6.03s |
| #99 | Elephant Alpha none | Openrouter | 1 | 6.6 | 2/4 | 963ms |
| #101 | Qwen3 Coder Next none | Qwen | 1 | 3.6 | 0/4 | 3.31s |