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) |
|---|---|---|---|---|---|---|---|
| #34 | Claude Sonnet 5.5 max | Anthropic | 2 | 0.9 | $8.557 | 18/23 | 84.3s |
| #400 | Grok 4.20 Multi Agent Beta medium | X AI | 2 | 0.4 | $5.599 | 8/18 | 9.69s |
| #124 | Muse Wonder max | Meta | 1 | 0.8 | $4.766 | 16/23 | 44.4s |
| #90 | GLM 5.2 high | Z.ai | 1 | 0.8 | $4.632 | 15/23 | 69.1s |
| #189 | Step 5 Preview high | Stepfun | 1 | 0.7 | $4.513 | 10/23 | 154.4s |
| #279 | Step 5 Preview medium | Stepfun | 2 | 0.6 | $4.136 | 10/23 | 136.1s |
| #311 | Step 5 Preview low | Stepfun | 1 | 0.6 | $4.110 | 10/23 | 138.3s |
| #272 | Claude Fable 5.1 low | Anthropic | 3 | 0.6 | $3.395 | 11/23 | 11.4s |
| #37 | Qwen3.8 Max (0902) high | Qwen | 1 | 0.9 | $3.306 | 18/23 | 186.1s |
| #162 | Claude Fable 5.1 medium | Anthropic | 1 | 0.7 | $3.197 | 15/23 | 11.9s |
| #212 | Grok 4.7 high | X AI | 2 | 0.7 | $3.037 | 13/23 | 122.2s |
| #261 | Claude Opus 4.6 medium | Anthropic | 1 | 0.6 | $2.961 | 13/22 | 32.2s |
| #122 | Qwen3.8 2.4T A95B high | Qwen | 2 | 0.8 | $2.949 | 15/23 | 120.9s |
| #163 | Grok 4.7 medium | X AI | 1 | 0.7 | $2.938 | 15/23 | 117.7s |
| #101 | Grok 4.5 high | X AI | 1 | 0.8 | $2.687 | 17/23 | 72.5s |