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 ↑.
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) |
|---|---|---|---|---|---|---|---|
| #24 | Claude Opus 5.5 low | Anthropic | 1 | 0.9 | $1.733 | 19/23 | 25.7s |
| #25 | Claude Opus 5.5 high | Anthropic | 1 | 0.9 | $2.133 | 19/23 | 27.6s |
| #30 | Muse Spark Open high | Meta | 1 | 0.9 | $1.782 | 17/23 | 152.0s |
| #36 | DeepSeek V4.1 Flash 1017 low | DeepSeek | 1 | 0.9 | $0.355 | 16/23 | 32.5s |
| #37 | Qwen3.8 Max (0902) high | Qwen | 1 | 0.9 | $3.306 | 18/23 | 186.1s |
| #39 | Claude Haiku 5.5 xhigh | Anthropic | 1 | 0.9 | $0.140 | 18/23 | 16.6s |
| #43 | Seed 2.1 Turbo high | Bytedance Seed | 1 | 0.9 | $1.892 | 17/23 | 170.5s |
| #53 | GLM 5.3 Flash max | Z.ai | 1 | 0.9 | $0.089 | 17/23 | 54.0s |
| #59 | Pareto 26.9 default | Unbiased | 1 | 0.9 | $1.864 | 15/23 | 28.3s |
| #60 | Qwen3.8 MAX low | Qwen | 1 | 0.9 | $1.089 | 17/23 | 25.1s |
| #63 | DeepSeek V4.1 Flash high | DeepSeek | 1 | 0.9 | $0.617 | 16/23 | 33.3s |
| #64 | DeepSeek V4.1 Flash medium | DeepSeek | 1 | 0.9 | $0.591 | 16/23 | 32.9s |
| #68 | MiMo-V2.6-Pro medium | Xiaomi | 1 | 0.9 | $0.586 | 14/23 | 148.1s |
| #69 | Seed 2.1 Turbo medium | Bytedance Seed | 1 | 0.9 | $2.042 | 16/23 | 189.1s |
| #71 | DeepSeek V4.1 Flash max | DeepSeek | 1 | 0.9 | $1.204 | 15/23 | 61.6s |