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: Cost total ↑.
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) |
|---|---|---|---|---|---|---|---|
| #154 | Qwen3.8 27B low | Qwen | 1 | 0.8 | ~$0.089 | 15/23 | 46.6s |
| #280 | Gemini 3.1 Flash Lite Preview none | 2 | 0.6 | $0.090 | 12/23 | 3.60s | |
| #358 | Laguna S 2.1 medium | Poolside | 1 | 0.5 | $0.092 | 4/23 | 63.1s |
| #250 | Solar Pro 4 medium | Upstage | 2 | 0.6 | $0.098 | 12/23 | 133.9s |
| #220 | Solar Pro 4 low | Upstage | 2 | 0.7 | $0.101 | 11/23 | 145.2s |
| #309 | Ring 2.6 1t medium | Inclusionai | 2 | 0.6 | $0.102 | 11/23 | 65.5s |
| #345 | Qwen3.6 35B A3B none | Qwen | 2 | 0.5 | $0.105 | 4/23 | 8.43s |
| #337 | Step 3.5 Flash medium | Stepfun | 3 | 0.5 | $0.105 | 10/22 | 190.5s |
| #408 | Qwen3.5-9B medium | Qwen | 1 | 0.4 | $0.106 | 3/23 | 110.2s |
| #386 | Laguna S 2.1 low | Poolside | 2 | 0.5 | $0.108 | 3/23 | 88.2s |
| #295 | Inkling Small medium | Thinkingmachines | 4 | 0.6 | $0.113 | 10/23 | 6.03s |
| #189 | GLM 5.3 FlashX medium | Z.ai | 1 | 0.7 | $0.114 | 12/23 | 7.37s |
| #177 | Qwen3.5-27B none | Qwen | 2 | 0.7 | $0.116 | 10/23 | 9.98s |
| #382 | DeepSeek V3.2 none | DeepSeek | 1 | 0.5 | $0.119 | 6/23 | 22.4s |
| #322 | Qwen3.5-35B-A3B none | Qwen | 2 | 0.6 | $0.120 | 6/23 | 18.3s |