AI BENCHY
Сравнить Графики Методология
❤️ Made by XCS
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

Сбои AI BENCHY

Сбои: Не соблюдены инструкции

Посмотрите, какие AI-модели чаще всего сталкиваются с Не соблюдены инструкции, чтобы заранее заметить риски надежности. Сортировать по: Время ответа (среднее) ↓.

Показано моделей

41

Всего сбоев

77

Наиболее затронутая модель

Qwen3.5-Flash 1
Ранг Модель Компания Количество Не соблюдены инструкции Средний балл Тестов верно Время ответа (среднее)
#24 Qwen3.5-Flash medium Qwen 1 6.9 10/16 70.8s
#28 Kimi K2.5 medium Moonshot AI 2 6.4 9/16 69.8s
#8 Gemini 3.1 Flash Lite Preview high Google 1 8.2 12/16 68.8s
#23 Seed-2.0-Mini medium Bytedance Seed 1 6.9 10/16 65.1s
#7 Qwen3.5-27B medium Qwen 2 8.2 12/16 52.1s
#34 GPT-5 Nano medium OpenAI 3 5.5 7/16 47.9s
#43 MiniMax M2.5 medium Minimax 3 4.7 5/16 43.0s
#18 DeepSeek V3.2 medium DeepSeek 1 7.3 11/16 39.5s
#52 GLM 4.7 Flash medium Z.ai 2 3.1 4/16 36.8s
#13 Step 3.5 Flash medium Stepfun 3 7.4 10/16 29.1s
#30 Grok 4.1 Fast medium X AI 3 6.2 9/16 26.3s
#21 MiMo-V2-Flash medium Xiaomi 1 7.2 11/16 25.3s
#32 GPT-5 Mini medium OpenAI 4 6.0 8/16 25.1s
#9 GPT-5.4 medium OpenAI 2 8.0 12/16 20.1s
#39 gpt-oss-120b medium OpenAI 4 5.1 7/16 16.7s
#3 GPT-5.3-Codex medium OpenAI 2 8.4 12/16 16.6s
#14 GLM 5 medium Z.ai 1 7.4 11/16 16.2s
#27 GPT-5.2 medium OpenAI 3 6.5 10/16 15.3s
#50 Qwen3 Coder Next medium Qwen 5 3.5 3/16 12.5s
#16 Gemini 2.5 Flash medium Google 1 7.4 11/16 12.4s
#48 Qwen3 Coder Next none Qwen 1 4.0 4/16 11.7s
#15 GPT-5.2 Chat none OpenAI 1 7.4 11/16 7.03s
#19 GPT-5.3 Chat none OpenAI 2 7.3 10/16 5.96s
#25 Claude Sonnet 4.6 none Anthropic 1 6.8 10/16 5.57s
#42 Qwen3.5-35B-A3B none Qwen 2 4.7 6/16 4.10s
#12 Gemini 3.1 Flash Lite Preview medium Google 1 7.5 11/16 3.83s
#40 Qwen3.5-122B-A10B none Qwen 1 5.0 6/16 3.72s
#37 Qwen3.5-Flash none Qwen 1 5.2 7/16 3.54s
#17 Gemini 3.1 Flash Lite Preview low Google 1 7.3 11/16 3.36s
#45 Trinity Large Preview none Arcee AI 2 4.2 5/16 3.15s
#49 GLM 4.7 Flash none Z.ai 2 3.9 4/16 2.99s
#54 MiMo-V2-Flash none Xiaomi 1 2.9 3/16 2.97s
#36 Mercury 2 medium Inception 4 5.3 7/16 2.36s
#47 GPT-4o-mini none OpenAI 1 4.0 4/16 2.07s
#53 Grok 4.1 Fast none X AI 2 2.9 3/16 1.90s
#41 Qwen3.5-27B none Qwen 2 4.9 5/16 1.75s
#44 GPT-5.4 none OpenAI 1 4.5 6/16 1.48s
#22 Gemini 3.1 Flash Lite Preview none Google 2 7.1 10/16 1.33s
#38 Gemini 2.5 Flash none Google 1 5.2 6/16 923ms
#55 LFM2-24B-A2B none Liquid 2 2.6 1/16 811ms
#51 Mercury 2 none Inception 1 3.4 4/16 596ms

Лучшие модели по Количество Не соблюдены инструкции

Количество Не соблюдены инструкции vs средний балл

Лучшие модели по Время ответа (среднее)