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: Scor ↓.
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) |
|---|---|---|---|---|---|---|---|
| #103 | GPT-6 Luna medium | OpenAI | 1 | 0.8 | $0.047 | 15/23 | 18.1s |
| #107 | Gemini 4 Argon low | 1 | 0.8 | $0.438 | 15/23 | 5.72s | |
| #108 | DeepSeek V4.1 Flash 1017 max | DeepSeek | 2 | 0.8 | $0.757 | 15/23 | 78.2s |
| #109 | Grok 4.5 high | X AI | 1 | 0.8 | $2.687 | 17/23 | 72.5s |
| #112 | Seed-2.0-Lite medium | Bytedance Seed | 2 | 0.8 | $0.271 | 14/23 | 48.9s |
| #114 | Seed-2.0-Code low | Bytedance Seed | 1 | 0.8 | $0.881 | 14/23 | 73.0s |
| #115 | DeepSeek V4 Pro 0423 high | DeepSeek | 2 | 0.8 | $0.149 | 11/23 | 91.3s |
| #117 | DeepSeek V4 Flash 0423 high | DeepSeek | 2 | 0.8 | $0.261 | 14/23 | 56.0s |
| #121 | GPT-5.4 Nano medium | OpenAI | 2 | 0.8 | $0.235 | 13/23 | 16.0s |
| #123 | Qwen3.8 Flash Next low | Qwen | 1 | 0.8 | ~$0.045 | 15/23 | 23.7s |
| #125 | Qwen3.5-27B medium | Qwen | 2 | 0.8 | $1.135 | 14/23 | 114.7s |
| #126 | GLM 5.3 FlashX max | Z.ai | 1 | 0.8 | $0.623 | 15/23 | 44.0s |
| #128 | GPT-5.4 Mini medium | OpenAI | 3 | 0.8 | $1.102 | 13/23 | 29.9s |
| #130 | Gemini 3.5 Flash medium | 1 | 0.8 | $1.316 | 18/23 | 11.8s | |
| #131 | Qwen3.8 2.4T A95B high | Qwen | 2 | 0.8 | $2.949 | 15/23 | 120.9s |