निर्देश पालन मॉडल रैंकिंग

AI BENCHY श्रेणी

देखें कि निर्देश पालन में कौन से AI मॉडल सबसे अच्छा प्रदर्शन करते हैं, कौन से भरोसेमंद बने रहते हैं और सबसे बड़े अंतर कहाँ दिखाई देते हैं। क्रमबद्ध करें: मेट्रिक ↑.

दिखाए गए मॉडल

औसत निर्देश पालन स्कोर

8.5

सर्वश्रेष्ठ मॉडल

Grok 4.1 Fast 3.0

विफलता के कारण

विफलता कारण गलत उत्तर के साथ53 विफलता कारण निर्देशों का पालन नहीं किया के साथ11 विफलता कारण अतिरिक्त फॉर्मेटिंग के साथ2 विफलता कारण कोई उत्तर नहीं के साथ2 विफलता कारण API त्रुटि के साथ1

रैंक	मॉडल	कंपनी	निर्देश पालन स्कोर	स्कोर	सही परीक्षण	प्रतिक्रिया समय (औसत)
#50	Gemini 3.1 Flash Lite Preview low	Google	10.0	7.4	2/2	1.49s
#52	Claude Sonnet 4.6 medium	Anthropic	10.0	7.4	2/2	2.61s
#54	GPT-5 Mini medium	OpenAI	10.0	7.3	2/2	11.6s
#58	Gemini 3.1 Flash Lite Preview none	Google	10.0	7.2	2/2	1.13s
#60	Kimi K2.6 medium	Moonshot AI	10.0	7.2	2/2	12.5s
#61	Gemini 3.1 Flash Lite low	Google	10.0	7.2	2/2	1.52s
#64	MiMo-V2-Flash medium	Xiaomi	10.0	7.2	2/2	4.28s
#66	Qwen3.5-35B-A3B medium	Qwen	10.0	7.1	2/2	24.4s
#69	Claude Opus 4.6 medium	Anthropic	10.0	7.0	2/2	2.43s
#72	DeepSeek V3.2 medium	DeepSeek	10.0	7.0	2/2	35.8s
#73	Seed-2.0-Mini medium	Bytedance Seed	10.0	6.9	2/2	17.5s
#76	Kimi K2.5 medium	Moonshot AI	10.0	6.8	2/2	92.5s
#78	Qwen3.6 27B medium	Qwen	10.0	6.8	2/2	38.0s
#81	Mercury 2 medium	Inception	10.0	6.6	2/2	1.07s
#82	Hy3 preview high	Tencent	10.0	6.6	2/2	34.4s

←

1 9 10 11

→

निर्देश पालन रैंकिंग

निर्देश पालन स्कोर के अनुसार शीर्ष मॉडल

निर्देश पालन स्कोर बनाम कुल लागत

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल