ہدایات پر عمل نہیں کیا ناکامی درجہ بندی

دیکھیں کہ کن AI ماڈلز میں ہدایات پر عمل نہیں کیا سب سے زیادہ ہوتا ہے، تاکہ آپ انتخاب سے پہلے قابلِ اعتماد ہونے کے خطرات سمجھ سکیں۔ ترتیب دیں حسب: اسکور ↑.

دکھائے گئے ماڈلز

کل ناکامیاں

522

سب سے زیادہ متاثر ماڈل

LFM2-24B-A2B 1

زمرے

زمرہ پہیلی حل کرنا میں166 زمرہ عمومی ذہانت میں142 زمرہ ہدایات کی پیروی میں77 زمرہ اینٹی اے آئی چالیں میں52 زمرہ کوڈنگ میں50 زمرہ ٹول کالنگ میں13 زمرہ خودمختار ایجنٹ کے کام میں10 زمرہ ڈیٹا پارسنگ اور استخراج میں8 زمرہ ڈومین مخصوص میں3 زمرہ مشترکہ میں1

293/293

درجہ	ماڈل	کمپنی	ہدایات پر عمل نہیں کیا کی تعداد	اسکور	کل لاگت	درست ٹیسٹس	ردِعمل کا وقت (اوسط)
#183	MiMo-V2.5 medium	Xiaomi	1	0.7	$0.130	12/23	49.2s
کل ٹیسٹس 23 غلط ٹیسٹس 11 کل لاگت $0.130 ردِعمل کا وقت (اوسط) 49.2s
#182	MiMo-V2.6-Flash low	Xiaomi	2	0.7	$0.200	12/23	54.6s
کل ٹیسٹس 23 غلط ٹیسٹس 11 کل لاگت $0.200 ردِعمل کا وقت (اوسط) 54.6s
#180	GLM 5.3 FlashX medium	Z.ai	1	0.7	$0.114	12/23	7.37s
کل ٹیسٹس 23 غلط ٹیسٹس 11 کل لاگت $0.114 ردِعمل کا وقت (اوسط) 7.37s
#179	Qwen3.8 Flash Next xhigh	Qwen	2	0.7	~$0.195	14/23	102.7s
کل ٹیسٹس 23 غلط ٹیسٹس 9 کل لاگت ~$0.195 ردِعمل کا وقت (اوسط) 102.7s
#177	Qwen3.6 27B medium	Qwen	1	0.7	$1.021	11/23	107.8s
کل ٹیسٹس 23 غلط ٹیسٹس 12 کل لاگت $1.021 ردِعمل کا وقت (اوسط) 107.8s
#175	GLM 5 medium	Z.ai	1	0.7	$0.479	15/22	39.0s
کل ٹیسٹس 22 غلط ٹیسٹس 7 کل لاگت $0.479 ردِعمل کا وقت (اوسط) 39.0s
#173	Qwen3.7 Flash high	Qwen	1	0.7	$0.063	13/23	45.5s
کل ٹیسٹس 23 غلط ٹیسٹس 10 کل لاگت $0.063 ردِعمل کا وقت (اوسط) 45.5s
#170	Qwen3.8 27B medium	Qwen	2	0.7	~$0.073	14/23	40.1s
کل ٹیسٹس 23 غلط ٹیسٹس 9 کل لاگت ~$0.073 ردِعمل کا وقت (اوسط) 40.1s
#168	Qwen3.5-27B none	Qwen	2	0.7	$0.116	10/23	9.98s
کل ٹیسٹس 23 غلط ٹیسٹس 13 کل لاگت $0.116 ردِعمل کا وقت (اوسط) 9.98s
#167	Gemini 3.5 Flash Lite medium	Google	1	0.7	$0.440	14/23	8.68s
کل ٹیسٹس 23 غلط ٹیسٹس 9 کل لاگت $0.440 ردِعمل کا وقت (اوسط) 8.68s
#166	Qwen3.6 Plus medium	Qwen	1	0.7	$0.554	15/23	57.4s
کل ٹیسٹس 23 غلط ٹیسٹس 8 کل لاگت $0.554 ردِعمل کا وقت (اوسط) 57.4s
#164	Gemini 2.5 Flash medium	Google	2	0.7	$0.680	15/23	20.5s
کل ٹیسٹس 23 غلط ٹیسٹس 8 کل لاگت $0.680 ردِعمل کا وقت (اوسط) 20.5s
#165	LongCat 2.0 high	Meituan	2	0.7	$0.778	10/23	151.7s
کل ٹیسٹس 23 غلط ٹیسٹس 13 کل لاگت $0.778 ردِعمل کا وقت (اوسط) 151.7s
#163	Grok 4.7 medium	X AI	1	0.7	$2.938	15/23	117.7s
کل ٹیسٹس 23 غلط ٹیسٹس 8 کل لاگت $2.938 ردِعمل کا وقت (اوسط) 117.7s
#162	Claude Fable 5.1 medium	Anthropic	1	0.7	$3.197	15/23	11.9s
کل ٹیسٹس 23 غلط ٹیسٹس 8 کل لاگت $3.197 ردِعمل کا وقت (اوسط) 11.9s

ہدایات پر عمل نہیں کیا ناکامیاں

ماڈلز فلٹر کریں

ہدایات پر عمل نہیں کیا کی تعداد کے لحاظ سے سرفہرست ماڈلز

ہدایات پر عمل نہیں کیا کی تعداد بمقابلہ اسکور

ردِعمل کا وقت (اوسط) کے لحاظ سے سرفہرست ماڈلز