ہدایات پر عمل نہیں کیا ناکامیاں
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: کل لاگت ↑.
293/293
ماڈلز فلٹر کریں
موجودہ تلاش اور فلٹرز سے کوئی ماڈل مطابقت نہیں رکھتا۔
| درجہ | ماڈل | کمپنی | ہدایات پر عمل نہیں کیا کی تعداد | اسکور | کل لاگت | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|---|
| #69 | Seed 2.1 Turbo medium | Bytedance Seed | 1 | 0.9 | $2.042 | 16/23 | 189.1s |
| #375 | Gemini 3.1 Flash Lite high | 3 | 0.5 | $2.044 | 10/18 | 62.0s | |
| #25 | Claude Opus 5.5 high | Anthropic | 1 | 0.9 | $2.133 | 19/23 | 27.6s |
| #61 | GPT-5.4 medium | OpenAI | 2 | 0.9 | $2.213 | 16/23 | 24.8s |
| #130 | Grok 4.6 medium | X AI | 1 | 0.8 | $2.270 | 16/23 | 74.8s |
| #392 | Gemini 3.1 Flash Lite Preview high | 1 | 0.4 | $2.310 | 13/16 | 68.1s | |
| #200 | Claude Opus 4.8 none | Anthropic | 1 | 0.7 | $2.334 | 13/23 | 7.54s |
| #88 | Muse Spark 1.1 high | Meta | 2 | 0.8 | $2.570 | 13/23 | 37.4s |
| #101 | Grok 4.5 high | X AI | 1 | 0.8 | $2.687 | 17/23 | 72.5s |
| #163 | Grok 4.7 medium | X AI | 1 | 0.7 | $2.938 | 15/23 | 117.7s |
| #122 | Qwen3.8 2.4T A95B high | Qwen | 2 | 0.8 | $2.949 | 15/23 | 120.9s |
| #261 | Claude Opus 4.6 medium | Anthropic | 1 | 0.6 | $2.961 | 13/22 | 32.2s |
| #212 | Grok 4.7 high | X AI | 2 | 0.7 | $3.037 | 13/23 | 122.2s |
| #162 | Claude Fable 5.1 medium | Anthropic | 1 | 0.7 | $3.197 | 15/23 | 11.9s |
| #37 | Qwen3.8 Max (0902) high | Qwen | 1 | 0.9 | $3.306 | 18/23 | 186.1s |