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) |
|---|---|---|---|---|---|---|---|
| #173 | Gemini 2.5 Flash medium | 2 | 0.7 | $0.680 | 15/23 | 20.5s | |
| #174 | LongCat 2.0 high | Meituan | 2 | 0.7 | $0.778 | 10/23 | 151.7s |
| #175 | Qwen3.6 Plus medium | Qwen | 1 | 0.7 | $0.554 | 15/23 | 57.4s |
| #176 | Gemini 3.5 Flash Lite medium | 1 | 0.7 | $0.440 | 14/23 | 8.68s | |
| #177 | Qwen3.5-27B none | Qwen | 2 | 0.7 | $0.116 | 10/23 | 9.98s |
| #179 | Qwen3.8 27B medium | Qwen | 2 | 0.7 | ~$0.073 | 14/23 | 40.1s |
| #182 | Qwen3.7 Flash high | Qwen | 1 | 0.7 | $0.063 | 13/23 | 45.5s |
| #184 | GLM 5 medium | Z.ai | 1 | 0.7 | $0.479 | 15/22 | 39.0s |
| #186 | Qwen3.6 27B medium | Qwen | 1 | 0.7 | $1.021 | 11/23 | 107.8s |
| #188 | Qwen3.8 Flash Next xhigh | Qwen | 2 | 0.7 | ~$0.195 | 14/23 | 102.7s |
| #189 | GLM 5.3 FlashX medium | Z.ai | 1 | 0.7 | $0.114 | 12/23 | 7.37s |
| #191 | MiMo-V2.6-Flash low | Xiaomi | 2 | 0.7 | $0.200 | 12/23 | 54.6s |
| #192 | MiMo-V2.5 medium | Xiaomi | 1 | 0.7 | $0.130 | 12/23 | 49.2s |
| #193 | GPT-5.2 Chat default | OpenAI | 1 | 0.7 | $0.594 | 13/23 | 7.43s |
| #195 | Gemini 3.1 Flash Lite Preview medium | 1 | 0.7 | $0.158 | 14/23 | 6.78s |