Clasament modele pentru Respectarea instrucțiunilor

Vezi ce modele AI se descurcă cel mai bine la Respectarea instrucțiunilor, care rămân fiabile și unde apar cele mai mari diferențe. Sortează după: Metrică ↑.

Modele afișate

Media pentru Scor Respectarea instrucțiunilor

0.8

Cel mai bun model

Gemini 3 Flash Preview 0.0

Motive de eșec

Cu motivul de eșec Răspuns greșit111 Cu motivul de eșec Nu a urmat instrucțiunile73 Cu motivul de eșec Eroare API25 Cu motivul de eșec Formatare suplimentară8 Cu motivul de eșec Timp expirat5 Cu motivul de eșec Fără răspuns2

442/442

Rang	Model	Companie	Scor Respectarea instrucțiunilor	Scor	Cost total	Teste corecte	Timp de răspuns (mediu)
#40	Muse Wonder low	Meta	0.7	0.9	$2.637	1/2	2.08s
Total teste 2 Teste greșite 1 Cost total $2.637 Timp de răspuns (mediu) 2.08s
#43	Muse Wonder minimal	Meta	0.7	0.9	$1.639	1/2	1.39s
Total teste 2 Teste greșite 1 Cost total $1.639 Timp de răspuns (mediu) 1.39s
#56	Muse Spark 1.1 medium	Meta	0.7	0.9	$1.665	1/2	6.31s
Total teste 2 Teste greșite 1 Cost total $1.665 Timp de răspuns (mediu) 6.31s
#131	Muse Wonder high	Meta	0.7	0.8	$3.426	1/2	1.97s
Total teste 2 Teste greșite 1 Cost total $3.426 Timp de răspuns (mediu) 1.97s
#139	Muse Wonder xhigh	Meta	0.7	0.8	$4.012	1/2	2.64s
Total teste 2 Teste greșite 1 Cost total $4.012 Timp de răspuns (mediu) 2.64s
#162	LongCat 2.0 high	Meituan	0.7	0.7	$0.778	1/2	6.96s
Total teste 2 Teste greșite 1 Cost total $0.778 Timp de răspuns (mediu) 6.96s
#171	LongCat 2.0 medium	Meituan	0.7	0.7	$0.767	1/2	7.38s
Total teste 2 Teste greșite 1 Cost total $0.767 Timp de răspuns (mediu) 7.38s
#217	LongCat 2.0 low	Meituan	0.7	0.7	$0.630	1/2	6.39s
Total teste 2 Teste greșite 1 Cost total $0.630 Timp de răspuns (mediu) 6.39s
#225	Mercury 2.5 high	Inception	0.7	0.6	$0.044	1/2	934ms
Total teste 2 Teste greșite 1 Cost total $0.044 Timp de răspuns (mediu) 934ms
#244	LongCat 2.0 none	Meituan	0.7	0.6	$0.104	1/2	2.82s
Total teste 2 Teste greșite 1 Cost total $0.104 Timp de răspuns (mediu) 2.82s
#257	DeepSeek V4 Flash 0423 none	DeepSeek	0.7	0.6	$0.149	1/2	17.5s
Total teste 2 Teste greșite 1 Cost total $0.149 Timp de răspuns (mediu) 17.5s
#264	Claude Fable 5.1 low	Anthropic	0.7	0.6	$3.395	1/2	5.24s
Total teste 2 Teste greșite 1 Cost total $3.395 Timp de răspuns (mediu) 5.24s
#275	Claude Sonnet 4.6 none	Anthropic	0.7	0.6	$0.661	1/2	1.96s
Total teste 2 Teste greșite 1 Cost total $0.661 Timp de răspuns (mediu) 1.96s
#289	DeepSeek V4.1 Flash none	DeepSeek	0.7	0.6	$0.391	1/2	6.81s
Total teste 2 Teste greșite 1 Cost total $0.391 Timp de răspuns (mediu) 6.81s
#295	Mistral Large 4 none	Mistral	0.7	0.6	$0.290	1/2	1.16s
Total teste 2 Teste greșite 1 Cost total $0.290 Timp de răspuns (mediu) 1.16s

Clasament Respectarea instrucțiunilor

Filtrează modelele

Top modele după Scor Respectarea instrucțiunilor

Scor Respectarea instrucțiunilor vs cost total

Top modele după Timp de răspuns (mediu)