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) |
|---|---|---|---|---|---|---|---|
| #161 | Qwen3.6 Flash medium | Qwen | 1 | 0.7 | $0.783 | 13/23 | 45.5s |
| #162 | DeepSeek V4 Flash 0731 low | DeepSeek | 1 | 0.7 | $0.306 | 13/23 | 88.1s |
| #164 | GLM 5.3 FlashX high | Z.ai | 1 | 0.7 | $0.210 | 13/23 | 14.9s |
| #170 | GLM 5.3 Flash high | Z.ai | 2 | 0.7 | $0.056 | 13/23 | 29.1s |
| #182 | Qwen3.7 Flash high | Qwen | 1 | 0.7 | $0.063 | 13/23 | 45.5s |
| #193 | GPT-5.2 Chat default | OpenAI | 1 | 0.7 | $0.594 | 13/23 | 7.43s |
| #204 | Gemini 3.1 Flash Lite medium | 1 | 0.7 | $0.153 | 13/23 | 6.27s | |
| #209 | Claude Opus 4.8 none | Anthropic | 1 | 0.7 | $2.334 | 13/23 | 7.54s |
| #221 | Grok 4.7 high | X AI | 2 | 0.7 | $3.037 | 13/23 | 122.2s |
| #224 | GPT 5.3 Chat default | OpenAI | 2 | 0.7 | $0.533 | 13/23 | 6.31s |
| #229 | GLM 5.2 none | Z.ai | 1 | 0.7 | $0.250 | 13/23 | 11.3s |
| #256 | Gemini 3.5 Flash minimal | 1 | 0.6 | $0.508 | 13/23 | 4.67s | |
| #384 | Gemini 3.1 Flash Lite high | 3 | 0.5 | $2.044 | 10/18 | 62.0s | |
| #292 | Claude Sonnet 4.6 none | Anthropic | 1 | 0.6 | $0.661 | 12/22 | 7.67s |
| #330 | GLM 5V Turbo medium | Z.ai | 1 | 0.5 | $0.457 | 11/21 | 23.1s |