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) |
|---|---|---|---|---|---|---|---|
| #275 | Trinity Large Thinking medium | Arcee AI | 4 | 0.6 | $0.862 | 8/23 | 84.0s |
| #244 | Kimi K2.5 medium | Moonshot AI | 2 | 0.6 | $0.841 | 10/23 | 125.8s |
| #229 | Qwen3.6 35B A3B medium | Qwen | 1 | 0.7 | $0.834 | 12/23 | 59.9s |
| #240 | Beam 1.0 501B A23B max | Reflection | 2 | 0.6 | $0.799 | 12/23 | 11.1s |
| #216 | GPT-5.6 Sol none | OpenAI | 1 | 0.7 | $0.795 | 12/23 | 4.61s |
| #301 | Trinity Large Thinking high | Arcee AI | 4 | 0.6 | $0.794 | 6/23 | 74.5s |
| #152 | Qwen3.6 Flash medium | Qwen | 1 | 0.7 | $0.783 | 13/23 | 45.5s |
| #165 | LongCat 2.0 high | Meituan | 2 | 0.7 | $0.778 | 10/23 | 151.7s |
| #100 | DeepSeek V4.1 Flash 1017 max | DeepSeek | 2 | 0.8 | $0.757 | 15/23 | 78.2s |
| #355 | Grok 4.20 Beta medium | X AI | 1 | 0.5 | $0.750 | 14/18 | 9.75s |
| #255 | Gemini 3.1 Flash Lite Preview low | 1 | 0.6 | $0.736 | 14/23 | 19.0s | |
| #252 | Qwen3.5-35B-A3B medium | Qwen | 1 | 0.6 | $0.716 | 11/23 | 111.5s |
| #309 | GPT-5.4 none | OpenAI | 1 | 0.6 | $0.690 | 7/23 | 3.89s |
| #364 | Mimo V2 Omni medium | Xiaomi | 2 | 0.5 | $0.683 | 10/21 | 41.2s |
| #164 | Gemini 2.5 Flash medium | 2 | 0.7 | $0.680 | 15/23 | 20.5s |