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: सही परीक्षण ↓.

दिखाए गए मॉडल

औसत निर्देश पालन स्कोर

8.5

सर्वश्रेष्ठ मॉडल

Gemini 3 Flash Preview 10.0

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)
#31	DeepSeek V4 Flash high	DeepSeek	10.0	7.7	2/2	15.4s
#33	Hy3 preview medium	Tencent	10.0	7.7	2/2	6.16s
#34	Qwen3.7 Max none	Qwen	10.0	7.7	2/2	943ms
#35	Gemini 3 PRO Preview medium	Google	9.8	7.6	2/2	3.26s
#36	Qwen3.5 Plus 2026-04-20 medium	Qwen	10.0	7.6	2/2	20.2s
#37	Gemma 4 26B A4B medium	Google	10.0	7.6	2/2	17.5s
#38	Grok 4.3 medium	X AI	9.8	7.6	2/2	18.6s
#39	Qwen3.6 Flash medium	Qwen	10.0	7.5	2/2	6.05s
#40	Gemini 3.1 Flash Lite Preview medium	Google	10.0	7.5	2/2	1.91s
#41	Nemotron 3 Ultra 550b A55b medium	NVIDIA	9.8	7.5	2/2	6.35s
#42	GPT-5.2 medium	OpenAI	9.9	7.5	2/2	3.12s
#43	MiMo-V2.5-Pro medium	Xiaomi	9.9	7.5	2/2	2.77s
#44	Gemini 3.1 Flash Lite medium	Google	9.9	7.5	2/2	2.59s
#45	GPT-5.4 Mini medium	OpenAI	9.8	7.5	2/2	2.13s
#46	Qwen3.6 35B A3B medium	Qwen	10.0	7.4	2/2	7.50s

निर्देश पालन रैंकिंग

निर्देश पालन स्कोर के अनुसार शीर्ष मॉडल

निर्देश पालन स्कोर बनाम कुल लागत

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल