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: ناکامیوں کی تعداد ↑.
216/216
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) |
|---|---|---|---|---|---|---|---|
| #56 | Qwen3.8 27B high | Qwen | 2 | 8.4 | ~$0.287 | 16/22 | 167.9s |
| #58 | Inkling Small high | Thinkingmachines | 2 | 8.4 | $0.398 | 14/22 | 30.4s |
| #68 | Muse Spark 1.1 high | Meta | 2 | 8.0 | $2.253 | 12/22 | 36.9s |
| #70 | DeepSeek V4 Flash 0731 high | DeepSeek | 2 | 8.0 | $0.134 | 14/22 | 114.9s |
| #84 | Qwen3.8 27B medium | Qwen | 2 | 7.8 | ~$0.058 | 14/22 | 33.0s |
| #85 | Seed-2.0-Lite medium | Bytedance Seed | 2 | 7.8 | $0.236 | 13/22 | 47.9s |
| #91 | DeepSeek V4 Pro high | DeepSeek | 2 | 7.7 | $0.454 | 10/22 | 92.5s |
| #92 | DeepSeek V4 Flash 0423 high | DeepSeek | 2 | 7.6 | $0.042 | 13/22 | 51.8s |
| #98 | GPT-5.4 Nano medium | OpenAI | 2 | 7.5 | $0.142 | 12/22 | 13.3s |
| #100 | MiniMax M3 medium | Minimax | 2 | 7.5 | $0.300 | 11/22 | 75.2s |
| #101 | GPT 5.3 Chat none | OpenAI | 2 | 7.5 | $0.533 | 13/22 | 6.56s |
| #103 | Qwen3.5-27B medium | Qwen | 2 | 7.5 | $0.982 | 13/22 | 113.3s |
| #113 | Qwen3.8 2.4T A95B high | Qwen | 2 | 7.4 | $2.357 | 14/22 | 120.6s |
| #124 | Kimi K2.6 medium | Moonshot AI | 2 | 7.2 | $1.247 | 12/22 | 115.9s |
| #134 | Grok 4.3 medium | X AI | 2 | 7.0 | $0.741 | 12/22 | 44.2s |