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: प्रतिक्रिया समय (औसत) ↑.

दिखाए गए मॉडल

औसत निर्देश पालन स्कोर

8.5

सर्वश्रेष्ठ मॉडल

Granite 4.1 8B 3.6

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)
#135	Kimi K2.5 none	Moonshot AI	6.5	5.2	1/2	2.67s
#7	Gemini 3.5 Flash medium	Google	9.9	9.0	2/2	2.70s
#43	MiMo-V2.5-Pro medium	Xiaomi	9.9	7.5	2/2	2.77s
#116	Hunter Alpha none	OpenRouter	6.4	5.7	1/2	2.82s
#85	Gemma 4 31B none	Google	6.5	6.5	1/2	2.84s
#158	GLM 4.7 Flash medium	Z.ai	6.2	4.4	1/2	2.97s
#15	GPT-5.3-Codex medium	OpenAI	10.0	8.4	2/2	3.04s
#21	GPT-5.4 medium	OpenAI	10.0	8.0	2/2	3.11s
#42	GPT-5.2 medium	OpenAI	9.9	7.5	2/2	3.12s
#35	Gemini 3 PRO Preview medium	Google	9.8	7.6	2/2	3.26s
#10	Claude Opus 4.8 medium	Anthropic	10.0	8.7	2/2	3.32s
#2	Gemini 3.5 Flash high	Google	10.0	9.6	2/2	3.35s
#51	Mimo V2 PRO medium	Xiaomi	9.9	7.4	2/2	3.36s
#9	GPT-5.5 medium	OpenAI	10.0	8.8	2/2	3.36s
#20	Gemini 3.5 Flash none	Google	9.8	8.1	2/2	3.38s

निर्देश पालन रैंकिंग

निर्देश पालन स्कोर के अनुसार शीर्ष मॉडल

निर्देश पालन स्कोर बनाम कुल लागत

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल