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: Idadi ya kushindwa ↑.

Modeli zilizoonyeshwa

Jumla ya kushindwa

523

Modeli iliyoathirika zaidi

Claude Opus 5.5 1

Kategoria

Katika kategoria Utatuzi wa mafumbo167 Katika kategoria Akili ya jumla142 Katika kategoria Ufuataji wa maagizo77 Katika kategoria Mbinu za kupinga AI52 Katika kategoria Uandishi wa msimbo50 Katika kategoria Mwito wa zana13 Katika kategoria Kazi za mawakala10 Katika kategoria Uchanganuzi na uchimbaji wa data8 Katika kategoria Mahususi kwa domeni3 Katika kategoria Mchanganyiko1

294/294

Nafasi	Modeli	Kampuni	Idadi ya Hakufuata maelekezo	Alama	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#24	Claude Opus 5.5 low	Anthropic	1	0.9	$1.733	19/23	25.7s
Jumla ya majaribio 23 Majaribio yenye makosa 4 Jumla ya gharama $1.733 Muda wa majibu (wastani) 25.7s
#25	Claude Opus 5.5 high	Anthropic	1	0.9	$2.133	19/23	27.6s
Jumla ya majaribio 23 Majaribio yenye makosa 4 Jumla ya gharama $2.133 Muda wa majibu (wastani) 27.6s
#30	Muse Spark Open high	Meta	1	0.9	$1.782	17/23	152.0s
Jumla ya majaribio 23 Majaribio yenye makosa 6 Jumla ya gharama $1.782 Muda wa majibu (wastani) 152.0s
#36	DeepSeek V4.1 Flash 1017 low	DeepSeek	1	0.9	$0.355	16/23	32.5s
Jumla ya majaribio 23 Majaribio yenye makosa 7 Jumla ya gharama $0.355 Muda wa majibu (wastani) 32.5s
#37	Qwen3.8 Max (0902) high	Qwen	1	0.9	$3.306	18/23	186.1s
Jumla ya majaribio 23 Majaribio yenye makosa 5 Jumla ya gharama $3.306 Muda wa majibu (wastani) 186.1s
#39	Claude Haiku 5.5 xhigh	Anthropic	1	0.9	$0.140	18/23	16.6s
Jumla ya majaribio 23 Majaribio yenye makosa 5 Jumla ya gharama $0.140 Muda wa majibu (wastani) 16.6s
#43	Seed 2.1 Turbo high	Bytedance Seed	1	0.9	$1.892	17/23	170.5s
Jumla ya majaribio 23 Majaribio yenye makosa 6 Jumla ya gharama $1.892 Muda wa majibu (wastani) 170.5s
#53	GLM 5.3 Flash max	Z.ai	1	0.9	$0.089	17/23	54.0s
Jumla ya majaribio 23 Majaribio yenye makosa 6 Jumla ya gharama $0.089 Muda wa majibu (wastani) 54.0s
#59	Pareto 26.9 default	Unbiased	1	0.9	$1.864	15/23	28.3s
Jumla ya majaribio 23 Majaribio yenye makosa 8 Jumla ya gharama $1.864 Muda wa majibu (wastani) 28.3s
#61	Qwen3.8 MAX low	Qwen	1	0.9	$1.089	17/23	25.1s
Jumla ya majaribio 23 Majaribio yenye makosa 6 Jumla ya gharama $1.089 Muda wa majibu (wastani) 25.1s
#64	DeepSeek V4.1 Flash high	DeepSeek	1	0.9	$0.617	16/23	33.3s
Jumla ya majaribio 23 Majaribio yenye makosa 7 Jumla ya gharama $0.617 Muda wa majibu (wastani) 33.3s
#65	DeepSeek V4.1 Flash medium	DeepSeek	1	0.9	$0.591	16/23	32.9s
Jumla ya majaribio 23 Majaribio yenye makosa 7 Jumla ya gharama $0.591 Muda wa majibu (wastani) 32.9s
#70	MiMo-V2.6-Pro medium	Xiaomi	1	0.9	$0.586	14/23	148.1s
Jumla ya majaribio 23 Majaribio yenye makosa 9 Jumla ya gharama $0.586 Muda wa majibu (wastani) 148.1s
#71	Seed 2.1 Turbo medium	Bytedance Seed	1	0.9	$2.042	16/23	189.1s
Jumla ya majaribio 23 Majaribio yenye makosa 7 Jumla ya gharama $2.042 Muda wa majibu (wastani) 189.1s
#73	DeepSeek V4.1 Flash max	DeepSeek	1	0.9	$1.204	15/23	61.6s
Jumla ya majaribio 23 Majaribio yenye makosa 8 Jumla ya gharama $1.204 Muda wa majibu (wastani) 61.6s

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)