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.

Modele afișate

Media pentru Scor Respectarea instrucțiunilor

0.8

Cel mai bun model

Gemini 3.6 Flash 1.0

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)
#39	Muse Spark 1.3 high	Meta	0.7	0.9	$1.891	1/2	14.7s
Total teste 2 Teste greșite 1 Cost total $1.891 Timp de răspuns (mediu) 14.7s
#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

Clasament Respectarea instrucțiunilor

Filtrează modelele

Top modele după Scor Respectarea instrucțiunilor

Scor Respectarea instrucțiunilor vs cost total

Top modele după Timp de răspuns (mediu)