AI BENCHY
موازنہ کریں چارٹس طریقہ کار
❤️ Made by XCS
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY ناکامیاں

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: ردِعمل کا وقت (اوسط) ↓.

دکھائے گئے ماڈلز

41

کل ناکامیاں

77

سب سے زیادہ متاثر ماڈل

Qwen3.5-Flash 1
درجہ ماڈل کمپنی ہدایات پر عمل نہیں کیا کی تعداد اوسط اسکور درست ٹیسٹس ردِعمل کا وقت (اوسط)
#24 Qwen3.5-Flash medium Qwen 1 6.9 10/16 70.8s
#28 Kimi K2.5 medium Moonshot AI 2 6.4 9/16 69.8s
#8 Gemini 3.1 Flash Lite Preview high Google 1 8.2 12/16 68.8s
#23 Seed-2.0-Mini medium Bytedance Seed 1 6.9 10/16 65.1s
#7 Qwen3.5-27B medium Qwen 2 8.2 12/16 52.1s
#34 GPT-5 Nano medium OpenAI 3 5.5 7/16 47.9s
#43 MiniMax M2.5 medium Minimax 3 4.7 5/16 43.0s
#18 DeepSeek V3.2 medium DeepSeek 1 7.3 11/16 39.5s
#52 GLM 4.7 Flash medium Z.ai 2 3.1 4/16 36.8s
#13 Step 3.5 Flash medium Stepfun 3 7.4 10/16 29.1s
#30 Grok 4.1 Fast medium X AI 3 6.2 9/16 26.3s
#21 MiMo-V2-Flash medium Xiaomi 1 7.2 11/16 25.3s
#32 GPT-5 Mini medium OpenAI 4 6.0 8/16 25.1s
#9 GPT-5.4 medium OpenAI 2 8.0 12/16 20.1s
#39 gpt-oss-120b medium OpenAI 4 5.1 7/16 16.7s
#3 GPT-5.3-Codex medium OpenAI 2 8.4 12/16 16.6s
#14 GLM 5 medium Z.ai 1 7.4 11/16 16.2s
#27 GPT-5.2 medium OpenAI 3 6.5 10/16 15.3s
#50 Qwen3 Coder Next medium Qwen 5 3.5 3/16 12.5s
#16 Gemini 2.5 Flash medium Google 1 7.4 11/16 12.4s
#48 Qwen3 Coder Next none Qwen 1 4.0 4/16 11.7s
#15 GPT-5.2 Chat none OpenAI 1 7.4 11/16 7.03s
#19 GPT-5.3 Chat none OpenAI 2 7.3 10/16 5.96s
#25 Claude Sonnet 4.6 none Anthropic 1 6.8 10/16 5.57s
#42 Qwen3.5-35B-A3B none Qwen 2 4.7 6/16 4.10s
#12 Gemini 3.1 Flash Lite Preview medium Google 1 7.5 11/16 3.83s
#40 Qwen3.5-122B-A10B none Qwen 1 5.0 6/16 3.72s
#37 Qwen3.5-Flash none Qwen 1 5.2 7/16 3.54s
#17 Gemini 3.1 Flash Lite Preview low Google 1 7.3 11/16 3.36s
#45 Trinity Large Preview none Arcee AI 2 4.2 5/16 3.15s
#49 GLM 4.7 Flash none Z.ai 2 3.9 4/16 2.99s
#54 MiMo-V2-Flash none Xiaomi 1 2.9 3/16 2.97s
#36 Mercury 2 medium Inception 4 5.3 7/16 2.36s
#47 GPT-4o-mini none OpenAI 1 4.0 4/16 2.07s
#53 Grok 4.1 Fast none X AI 2 2.9 3/16 1.90s
#41 Qwen3.5-27B none Qwen 2 4.9 5/16 1.75s
#44 GPT-5.4 none OpenAI 1 4.5 6/16 1.48s
#22 Gemini 3.1 Flash Lite Preview none Google 2 7.1 10/16 1.33s
#38 Gemini 2.5 Flash none Google 1 5.2 6/16 923ms
#55 LFM2-24B-A2B none Liquid 2 2.6 1/16 811ms
#51 Mercury 2 none Inception 1 3.4 4/16 596ms

ہدایات پر عمل نہیں کیا کی تعداد کے لحاظ سے سرفہرست ماڈلز

ہدایات پر عمل نہیں کیا کی تعداد بمقابلہ اوسط اسکور

ردِعمل کا وقت (اوسط) کے لحاظ سے سرفہرست ماڈلز