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)
#47	Grok Build 0.1 medium	X AI	9.8	7.4	2/2	12.4s
#49	Qwen3.5-Flash medium	Qwen	10.0	7.4	2/2	63.5s
#50	Gemini 3.1 Flash Lite Preview low	Google	10.0	7.4	2/2	1.49s
#51	Mimo V2 PRO medium	Xiaomi	9.9	7.4	2/2	3.36s
#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
#56	MiMo-V2.5 medium	Xiaomi	9.9	7.3	2/2	1.80s
#57	Step 3.7 Flash low	Stepfun	9.8	7.3	2/2	1.58s
#58	Gemini 3.1 Flash Lite Preview none	Google	10.0	7.2	2/2	1.13s
#59	GLM 5V Turbo medium	Z.ai	9.9	7.2	2/2	3.74s
#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
#63	GPT-5.3 Chat none	OpenAI	9.8	7.2	2/2	3.51s
#64	MiMo-V2-Flash medium	Xiaomi	10.0	7.2	2/2	4.28s
#65	Grok 4.20 medium	X AI	9.8	7.1	2/2	4.26s

निर्देश पालन रैंकिंग

निर्देश पालन स्कोर के अनुसार शीर्ष मॉडल

निर्देश पालन स्कोर बनाम कुल लागत

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल