Orodha ya kushindwa kwa Hakufuata maelekezo

Ona ni modeli gani za AI hukutana na Hakufuata maelekezo mara nyingi zaidi ili utambue hatari za utegemevu kabla ya kuchagua. Panga kwa: Jumla ya gharama ↑.

Modeli zilizoonyeshwa

Jumla ya kushindwa

246

Modeli iliyoathirika zaidi

Owl Alpha 2

Kategoria

Katika kategoria Utatuzi wa mafumbo90 Katika kategoria Akili ya jumla78 Katika kategoria Mbinu za kupinga AI33 Katika kategoria Ufuataji wa maagizo19 Katika kategoria Uandishi wa msimbo16 Katika kategoria Mwito wa zana8 Katika kategoria Mahususi kwa domeni1 Katika kategoria Mchanganyiko1

141/141

Nafasi	Modeli	Kampuni	Idadi ya Hakufuata maelekezo	Alama	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#128	Gemini 3.1 Flash Lite none	Google	1	6.1	$0.046	9/22	1.75s
Jumla ya majaribio 22 Majaribio yenye makosa 13 Jumla ya gharama $0.046 Muda wa majibu (wastani) 1.75s
#176	GLM 5 Turbo none	Z.ai	2	5.1	$0.047	6/21	2.82s
Jumla ya majaribio 21 Majaribio yenye makosa 15 Jumla ya gharama $0.047 Muda wa majibu (wastani) 2.82s
#126	Gemini 3.1 Flash Lite minimal	Google	3	6.1	$0.047	10/22	1.86s
Jumla ya majaribio 22 Majaribio yenye makosa 12 Jumla ya gharama $0.047 Muda wa majibu (wastani) 1.86s
#155	KAT-Coder-Air V2.5 medium	Kwaipilot	1	5.6	$0.048	8/22	8.42s
Jumla ya majaribio 22 Majaribio yenye makosa 14 Jumla ya gharama $0.048 Muda wa majibu (wastani) 8.42s
#151	GLM 5V Turbo none	Z.ai	2	5.6	$0.052	8/21	2.99s
Jumla ya majaribio 21 Majaribio yenye makosa 13 Jumla ya gharama $0.052 Muda wa majibu (wastani) 2.99s
#112	Gemini 3.1 Flash Lite Preview none	Google	2	6.4	$0.052	12/22	1.58s
Jumla ya majaribio 22 Majaribio yenye makosa 10 Jumla ya gharama $0.052 Muda wa majibu (wastani) 1.58s
#179	DeepSeek V3.2 none	DeepSeek	1	5.0	$0.054	6/22	18.3s
Jumla ya majaribio 22 Majaribio yenye makosa 16 Jumla ya gharama $0.054 Muda wa majibu (wastani) 18.3s
#146	Nemotron 3 Super medium	NVIDIA	3	5.7	$0.055	8/22	52.0s
Jumla ya majaribio 22 Majaribio yenye makosa 14 Jumla ya gharama $0.055 Muda wa majibu (wastani) 52.0s
#167	Qwen3.6 35B A3B none	Qwen	2	5.3	$0.061	4/22	5.52s
Jumla ya majaribio 22 Majaribio yenye makosa 18 Jumla ya gharama $0.061 Muda wa majibu (wastani) 5.52s
#130	Qwen3.6 Flash none	Qwen	1	6.1	$0.062	7/22	3.74s
Jumla ya majaribio 22 Majaribio yenye makosa 15 Jumla ya gharama $0.062 Muda wa majibu (wastani) 3.74s
#160	MiMo-V2.5-Pro none	Xiaomi	4	5.5	$0.068	6/22	4.12s
Jumla ya majaribio 22 Majaribio yenye makosa 16 Jumla ya gharama $0.068 Muda wa majibu (wastani) 4.12s
#191	Grok 4.1 Fast medium	X AI	4	4.7	$0.069	9/19	23.8s
Jumla ya majaribio 19 Majaribio yenye makosa 10 Jumla ya gharama $0.069 Muda wa majibu (wastani) 23.8s
#80	DeepSeek V3.2 medium	DeepSeek	1	7.0	$0.078	11/22	68.6s
Jumla ya majaribio 22 Majaribio yenye makosa 11 Jumla ya gharama $0.078 Muda wa majibu (wastani) 68.6s
#107	MiMo-V2.5 medium	Xiaomi	1	6.5	$0.082	12/22	32.2s
Jumla ya majaribio 22 Majaribio yenye makosa 10 Jumla ya gharama $0.082 Muda wa majibu (wastani) 32.2s
#197	Grok 4.20 Beta none	X AI	1	4.4	$0.087	6/18	1.19s
Jumla ya majaribio 18 Majaribio yenye makosa 12 Jumla ya gharama $0.087 Muda wa majibu (wastani) 1.19s

Kushindwa kwa 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)