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) |
|---|---|---|---|---|---|---|---|
| #203 | Minimax M3.1 Flash max | Minimax | 1 | 0.7 | $0.000 | 11/23 | 40.9s |
| #207 | GPT-5.6 Luna low | OpenAI | 1 | 0.7 | $0.049 | 11/23 | 6.96s |
| #212 | Inkling low | Thinkingmachines | 2 | 0.7 | $0.293 | 11/23 | 6.81s |
| #215 | Space Bunny Alpha max | Stealth | 2 | 0.7 | $0.000 | 11/23 | 36.2s |
| #220 | Solar Pro 4 low | Upstage | 2 | 0.7 | $0.101 | 11/23 | 145.2s |
| #222 | MiniMax M3 medium | Minimax | 2 | 0.7 | $0.422 | 11/23 | 77.0s |
| #226 | Apodex 1.1 Mini high | Apodex | 1 | 0.7 | $0.000 | 11/23 | 31.2s |
| #227 | GLM 5.3 Flash low | Z.ai | 2 | 0.7 | $0.038 | 11/23 | 11.8s |
| #254 | Beam 1.0 501B A23B low | Reflection | 2 | 0.6 | $0.432 | 11/23 | 4.89s |
| #257 | MiMo-V2.5-Pro medium | Xiaomi | 2 | 0.6 | $0.332 | 11/23 | 56.7s |
| #261 | Qwen3.5-35B-A3B medium | Qwen | 1 | 0.6 | $0.716 | 11/23 | 111.5s |
| #267 | Solar Pro 4 high | Upstage | 3 | 0.6 | $0.077 | 11/23 | 128.9s |
| #272 | DeepSeek V3.2 medium | DeepSeek | 1 | 0.6 | $0.152 | 11/23 | 70.1s |
| #275 | Grok 4.20 medium | X AI | 2 | 0.6 | $1.246 | 11/23 | 36.7s |
| #277 | KAT-Coder-Pro V2.5 medium | Kwaipilot | 1 | 0.6 | $0.669 | 11/23 | 23.9s |