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) |
|---|---|---|---|---|---|---|
| #117 | Grok 4.20 Beta none | X AI | 1 | 5.5 | 5/18 | 1.19s |
| #118 | Nemotron 3 Nano Omni 30b A3b Reasoning medium | NVIDIA | 1 | 5.4 | 10/19 | 17.1s |
| #127 | Laguna Xs.2 none | Poolside | 1 | 5.3 | 9/19 | 806ms |
| #131 | DeepSeek V4 Flash none | DeepSeek | 1 | 5.1 | 5/20 | 27.9s |
| #132 | Qwen3 Coder Next none | Qwen | 1 | 5.1 | 5/20 | 8.83s |
| #135 | Mistral Small 4 none | Mistral | 1 | 5.0 | 5/20 | 658ms |
| #138 | GPT-4o-mini none | OpenAI | 1 | 4.9 | 5/20 | 1.87s |
| #143 | Mercury 2 none | Inception | 1 | 4.6 | 4/20 | 614ms |
| #145 | Nemotron 3 Nano Omni 30b A3b Reasoning none | NVIDIA | 1 | 4.6 | 8/19 | 726ms |
| #151 | Qwen3.5-9B medium | Qwen | 1 | 4.2 | 3/20 | 80.1s |