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: Cost total ↓.
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) |
|---|---|---|---|---|---|---|---|
| #35 | Kimi K2.6 medium | Moonshot AI | 1 | 7.0 | $0.889 | 2/4 | 11.6s |
| #22 | GPT-5.2 medium | OpenAI | 1 | 6.5 | $0.548 | 2/4 | 7.81s |
| #56 | GLM 5V Turbo medium | Z.ai | 1 | 7.2 | $0.457 | 2/4 | 10.8s |
| #45 | GPT-5.3 Chat none | OpenAI | 1 | 6.7 | $0.433 | 2/4 | 3.86s |
| #20 | Step 3.7 Flash medium | Stepfun | 1 | 8.7 | $0.376 | 3/4 | 9.65s |
| #146 | MiniMax M2.5 medium | Minimax | 1 | 7.9 | $0.303 | 2/4 | 20.8s |
| #16 | GPT-5 Mini medium | OpenAI | 1 | 7.1 | $0.159 | 2/4 | 13.9s |
| #40 | MiniMax M3 medium | Minimax | 1 | 5.5 | $0.131 | 1/4 | 14.9s |
| #127 | MiniMax M2.7 medium | Minimax | 1 | 7.9 | $0.104 | 2/4 | 40.3s |
| #34 | Gemini 3.1 Flash Lite medium | 1 | 9.1 | $0.071 | 3/4 | 2.39s | |
| #32 | Gemini 3.1 Flash Lite Preview medium | 1 | 9.1 | $0.068 | 3/4 | 2.33s | |
| #44 | Mercury 2 medium | Inception | 1 | 6.9 | $0.058 | 2/4 | 1.12s |
| #157 | GLM 4.7 Flash medium | Z.ai | 1 | 4.7 | $0.054 | 1/4 | 15.0s |
| #58 | DeepSeek V4 Pro none | DeepSeek | 1 | 3.2 | $0.034 | 0/4 | 4.02s |
| #144 | Ring-2.6-1T none | Inclusionai | 1 | 9.2 | $0.026 | 3/4 | 43.3s |