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۔
| درجہ | ماڈل | کمپنی | ہدایات پر عمل نہیں کیا کی تعداد | اسکور | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|
| #60 | GLM 5V Turbo medium | Z.ai | 1 | 7.4 | 11/20 | 20.3s |
| #63 | Claude Opus 4.6 medium | Anthropic | 1 | 7.2 | 12/20 | 25.4s |
| #67 | MiMo-V2-Flash medium | Xiaomi | 1 | 7.1 | 11/20 | 20.3s |
| #68 | Seed-2.0-Mini medium | Bytedance Seed | 1 | 7.1 | 11/20 | 79.2s |
| #69 | Claude Sonnet 4.6 none | Anthropic | 1 | 7.0 | 11/20 | 5.33s |
| #74 | Laguna M.1 medium | Poolside | 1 | 6.9 | 12/19 | 14.4s |
| #76 | Gemma 4 31B none | 1 | 6.7 | 10/20 | 3.84s | |
| #83 | Qwen3.6 27B medium | Qwen | 1 | 6.6 | 9/20 | 57.7s |
| #85 | Gemini 3.1 Flash Lite none | 1 | 6.6 | 9/20 | 1.09s | |
| #92 | Gemini 2.5 Flash none | 1 | 6.2 | 8/20 | 893ms | |
| #93 | MiMo-V2-Omni none | Xiaomi | 1 | 6.2 | 8/20 | 2.44s |
| #109 | GLM 4.7 Flash none | Z.ai | 1 | 5.6 | 6/20 | 2.98s |
| #112 | GPT-5.4 none | OpenAI | 1 | 5.6 | 7/20 | 1.46s |
| #113 | GLM 5.1 none | Z.ai | 1 | 5.6 | 6/20 | 4.16s |
| #116 | Qwen3.6 Flash none | Qwen | 1 | 5.5 | 7/20 | 1.64s |