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) |
|---|---|---|---|---|---|---|---|
| #239 | Mercury 2.5 Preview high | Inception | 2 | 0.6 | $0.040 | 12/23 | 7.61s |
| #242 | GLM 5.3 low | Z.ai | 1 | 0.6 | $0.215 | 12/23 | 15.2s |
| #245 | Grok 4.3 medium | X AI | 2 | 0.6 | $0.989 | 12/23 | 44.5s |
| #249 | Beam 1.0 501B A23B max | Reflection | 2 | 0.6 | $0.799 | 12/23 | 11.1s |
| #250 | Solar Pro 4 medium | Upstage | 2 | 0.6 | $0.098 | 12/23 | 133.9s |
| #263 | Gemini 3.5 Flash Lite low | 1 | 0.6 | $0.183 | 12/23 | 4.79s | |
| #269 | Ling 3.1 Flash low | Inclusionai | 3 | 0.6 | $0.000 | 12/23 | 85.2s |
| #280 | Gemini 3.1 Flash Lite Preview none | 2 | 0.6 | $0.090 | 12/23 | 3.60s | |
| #452 | Step 3.5 Flash none | Stepfun | 1 | 0.2 | $0.020 | 6/12 | 39.0s |
| #115 | DeepSeek V4 Pro 0423 high | DeepSeek | 2 | 0.8 | $0.149 | 11/23 | 91.3s |
| #145 | Muse Glimmer 30B high | Meta | 3 | 0.8 | $0.506 | 11/23 | 69.9s |
| #163 | Seed-2.0-Code medium | Bytedance Seed | 1 | 0.7 | $1.275 | 11/23 | 100.6s |
| #186 | Qwen3.6 27B medium | Qwen | 1 | 0.7 | $1.021 | 11/23 | 107.8s |
| #196 | Kimi K2.7 Code medium | Moonshot AI | 1 | 0.7 | $1.136 | 11/23 | 81.2s |
| #202 | Muse Glimmer 30B low | Meta | 3 | 0.7 | $0.219 | 11/23 | 22.4s |