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) |
|---|---|---|---|---|---|---|---|
| #35 | Muse Spark Open high | Meta | 1 | 0.9 | $1.782 | 17/23 | 152.0s |
| #26 | Claude Opus 5.5 low | Anthropic | 1 | 0.9 | $1.733 | 19/23 | 25.7s |
| #62 | Muse Spark 1.1 medium | Meta | 2 | 0.9 | $1.665 | 16/23 | 27.0s |
| #210 | Kimi K2.6 medium | Moonshot AI | 2 | 0.7 | $1.594 | 12/23 | 121.3s |
| #61 | Muse Spark 1.2 medium | Meta | 3 | 0.9 | $1.590 | 15/23 | 21.3s |
| #73 | GPT-5.2 medium | OpenAI | 3 | 0.9 | $1.558 | 15/23 | 31.3s |
| #81 | Claude Sonnet 5.5 xhigh | Anthropic | 1 | 0.9 | $1.516 | 16/23 | 15.0s |
| #159 | Seed-2.0-Code high | Bytedance Seed | 1 | 0.7 | $1.448 | 12/23 | 124.9s |
| #87 | Claude Sonnet 5 medium | Anthropic | 1 | 0.9 | $1.438 | 16/23 | 15.0s |
| #158 | Mistral Large 4 high | Mistral | 2 | 0.8 | $1.391 | 12/23 | 263.7s |
| #43 | GPT-5.3-Codex medium | OpenAI | 2 | 0.9 | $1.318 | 17/23 | 18.9s |
| #130 | Gemini 3.5 Flash medium | 1 | 0.8 | $1.316 | 18/23 | 11.8s | |
| #163 | Seed-2.0-Code medium | Bytedance Seed | 1 | 0.7 | $1.275 | 11/23 | 100.6s |
| #68 | Muse Spark Open medium | Meta | 2 | 0.9 | $1.260 | 15/23 | 77.4s |
| #275 | Grok 4.20 medium | X AI | 2 | 0.6 | $1.246 | 11/23 | 36.7s |