Orodha ya Utatuzi wa mafumbo x Hakufuata maelekezo

Ona ni modeli gani za AI zina uwezekano mkubwa wa kupata Hakufuata maelekezo katika Utatuzi wa mafumbo, ili uone udhaifu haraka. Panga kwa: Jumla ya gharama ↓.

Modeli zilizoonyeshwa

Jumla ya kushindwa

166

Modeli iliyoathirika zaidi

Grok 4.20 Multi Agent Beta 1

Sababu za kushindwa

Jibu lisilo sahihi352 Hakufuata maelekezo166 Hitilafu ya API35 Muundo wa ziada16 Hakuna jibu14 Muda umeisha11

Kategoria

Utatuzi wa mafumbo166 Akili ya jumla142 Ufuataji wa maagizo77 Mbinu za kupinga AI52 Uandishi wa msimbo50 Mwito wa zana13 Kazi za mawakala10 Uchanganuzi na uchimbaji wa data8 Mahususi kwa domeni3 Mchanganyiko1

157/157

Nafasi	Modeli	Kampuni	Idadi ya Hakufuata maelekezo	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#400	Grok 4.20 Multi Agent Beta medium	X AI	1	0.7	$5.599	1/3	5.19s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $5.599 Muda wa majibu (wastani) 5.19s
#90	GLM 5.2 high	Z.ai	1	0.6	$4.632	1/3	33.7s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $4.632 Muda wa majibu (wastani) 33.7s
#272	Claude Fable 5.1 low	Anthropic	1	0.8	$3.395	2/3	4.78s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $3.395 Muda wa majibu (wastani) 4.78s
#392	Gemini 3.1 Flash Lite Preview high	Google	1	0.8	$2.310	2/3	46.7s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $2.310 Muda wa majibu (wastani) 46.7s
#130	Grok 4.6 medium	X AI	1	0.9	$2.270	2/3	16.3s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $2.270 Muda wa majibu (wastani) 16.3s
#61	GPT-5.4 medium	OpenAI	1	0.8	$2.213	2/3	9.14s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $2.213 Muda wa majibu (wastani) 9.14s
#25	Claude Opus 5.5 high	Anthropic	1	0.9	$2.133	2/3	30.8s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $2.133 Muda wa majibu (wastani) 30.8s
#375	Gemini 3.1 Flash Lite high	Google	2	0.6	$2.044	1/3	50.8s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $2.044 Muda wa majibu (wastani) 50.8s
#55	Muse Spark 1.2 high	Meta	1	0.8	$2.018	2/3	10.1s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $2.018 Muda wa majibu (wastani) 10.1s
#40	Muse Spark 1.3 high	Meta	1	0.9	$1.891	2/3	38.4s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.891 Muda wa majibu (wastani) 38.4s
#326	Hy4 preview low	Tencent	1	0.5	$1.844	0/3	238.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.844 Muda wa majibu (wastani) 238.0s
#30	Muse Spark Open high	Meta	1	0.8	$1.782	2/3	145.7s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.782 Muda wa majibu (wastani) 145.7s
#24	Claude Opus 5.5 low	Anthropic	1	0.9	$1.733	2/3	29.8s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.733 Muda wa majibu (wastani) 29.8s
#57	Muse Spark 1.1 medium	Meta	1	0.8	$1.665	2/3	42.5s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.665 Muda wa majibu (wastani) 42.5s
#201	Kimi K2.6 medium	Moonshot AI	1	0.6	$1.594	1/3	25.1s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.594 Muda wa majibu (wastani) 25.1s

Chuja miundo

Modeli bora kwa Idadi ya Hakufuata maelekezo

Idadi ya Hakufuata maelekezo dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa

Utatuzi wa mafumbo: Hakufuata maelekezo

Chuja miundo

Modeli bora kwa Idadi ya Hakufuata maelekezo

Idadi ya Hakufuata maelekezo dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa