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. Sortează după: Teste corecte ↑.
Motive de eșec
29/29
Filtrează modelele
Niciun model nu corespunde căutării și filtrelor curente.
| Rang | Model | Companie | Număr de Nu a urmat instrucțiunile | Scor de categorie | Cost total | Teste corecte | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|---|
| #58 | DeepSeek V4 Pro none | DeepSeek | 1 | 3.2 | $0.034 | 0/4 | 4.02s |
| #110 | Owl Alpha none | Openrouter | 1 | 3.4 | $0.000 | 0/4 | 2.78s |
| #114 | Mimo V2 Omni none | Xiaomi | 1 | 3.6 | $0.021 | 0/4 | 1.63s |
| #119 | MiMo-V2.5-Pro none | Xiaomi | 1 | 3.3 | $0.017 | 0/4 | 2.67s |
| #130 | Qwen3 Coder Next none | Qwen | 1 | 3.6 | $0.009 | 0/4 | 3.31s |
| #148 | Qwen3 Coder Next medium | Qwen | 1 | 3.5 | $0.008 | 0/4 | 8.64s |
| #161 | Grok 4.1 Fast none | X AI | 1 | 3.2 | $0.008 | 0/4 | 1.07s |
| #162 | Laguna Xs.2 none | Poolside | 1 | 3.0 | $0.000 | 0/4 | 534ms |
| #40 | MiniMax M3 medium | Minimax | 1 | 5.5 | $0.131 | 1/4 | 14.9s |
| #157 | GLM 4.7 Flash medium | Z.ai | 1 | 4.7 | $0.054 | 1/4 | 15.0s |
| #158 | Hy3 preview none | Tencent | 2 | 4.8 | $0.003 | 1/4 | 11.1s |
| #163 | Granite 4.1 8B none | IBM Granite | 1 | 4.9 | $0.003 | 1/4 | 844ms |
| #16 | GPT-5 Mini medium | OpenAI | 1 | 7.1 | $0.159 | 2/4 | 13.9s |
| #22 | GPT-5.2 medium | OpenAI | 1 | 6.5 | $0.548 | 2/4 | 7.81s |
| #35 | Kimi K2.6 medium | Moonshot AI | 1 | 7.0 | $0.889 | 2/4 | 11.6s |