Eșecuri Nu a urmat instrucțiunile
Vezi ce modele AI se lovesc cel mai des de Nu a urmat instrucțiunile, ca să identifici riscurile de fiabilitate înainte să alegi. Sortează după: Teste corecte ↑.
Categorii
În categoria Rezolvare de puzzle-uri167 În categoria Inteligență generală143 În categoria Respectarea instrucțiunilor82 În categoria Trucuri anti-AI52 În categoria Programare50 În categoria Apelare instrumente13 În categoria Sarcini agentice10 În categoria Parsare și extragere de date8 În categoria Specific domeniului3 În categoria Combinat1
299/299
Filtrează modelele
Niciun model nu corespunde căutării și filtrelor curente.
| Rang | Model | Companie | Număr de Nu a urmat instrucțiunile | Scor | Cost total | Teste corecte | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|---|
| #292 | Claude Sonnet 4.6 none | Anthropic | 1 | 0.6 | $0.661 | 12/22 | 7.67s |
| #384 | Gemini 3.1 Flash Lite high | 3 | 0.5 | $2.044 | 10/18 | 62.0s | |
| #92 | GPT-5 Mini medium | OpenAI | 3 | 0.8 | $0.315 | 13/23 | 29.4s |
| #96 | Muse Spark 1.1 high | Meta | 2 | 0.8 | $2.570 | 13/23 | 37.4s |
| #121 | GPT-5.4 Nano medium | OpenAI | 2 | 0.8 | $0.235 | 13/23 | 16.0s |
| #128 | GPT-5.4 Mini medium | OpenAI | 3 | 0.8 | $1.102 | 13/23 | 29.9s |
| #135 | DeepSeek V4.1 Flash 1017 high | DeepSeek | 2 | 0.8 | $0.589 | 13/23 | 58.6s |
| #138 | Step 3.7 Flash medium | Stepfun | 2 | 0.8 | $0.571 | 13/23 | 26.6s |
| #140 | Qwen3.7 Plus none | Qwen | 1 | 0.8 | $0.178 | 13/23 | 17.8s |
| #147 | Claude Haiku 5.5 medium | Anthropic | 2 | 0.8 | $0.063 | 13/23 | 7.71s |
| #161 | Qwen3.6 Flash medium | Qwen | 1 | 0.7 | $0.783 | 13/23 | 45.5s |
| #162 | DeepSeek V4 Flash 0731 low | DeepSeek | 1 | 0.7 | $0.306 | 13/23 | 88.1s |
| #164 | GLM 5.3 FlashX high | Z.ai | 1 | 0.7 | $0.210 | 13/23 | 14.9s |
| #170 | GLM 5.3 Flash high | Z.ai | 2 | 0.7 | $0.056 | 13/23 | 29.1s |
| #182 | Qwen3.7 Flash high | Qwen | 1 | 0.7 | $0.063 | 13/23 | 45.5s |