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)
#1	Gemini 3 Flash Preview medium	Google	10.0	9.8	2/2	4.04s
#2	Gemini 3.5 Flash high	Google	10.0	9.6	2/2	3.35s
#3	Gemini 3.5 Flash low	Google	9.9	9.4	2/2	1.86s
#4	Gemini 3.1 Pro Preview medium	Google	10.0	9.4	2/2	9.56s
#5	Qwen3.7 Max medium	Qwen	10.0	9.1	2/2	7.46s
#6	GPT-5.5 low	OpenAI	9.9	9.0	2/2	3.74s
#7	Gemini 3.5 Flash medium	Google	9.9	9.0	2/2	2.70s
#8	Claude Opus 4.7 none	Anthropic	10.0	8.9	2/2	1.46s
#9	GPT-5.5 medium	OpenAI	10.0	8.8	2/2	3.36s
#10	Claude Opus 4.8 medium	Anthropic	10.0	8.7	2/2	3.32s
#11	Claude Opus 4.7 medium	Anthropic	10.0	8.7	2/2	1.57s
#12	Gemini 3.1 Flash Lite Preview high	Google	9.8	8.6	2/2	64.0s
#13	Grok 4.20 Beta medium	X AI	9.8	8.5	2/2	4.89s
#14	Qwen3.6 Max Preview medium	Qwen	10.0	8.5	2/2	24.3s
#15	GPT-5.3-Codex medium	OpenAI	10.0	8.4	2/2	3.04s

1 2 11

→

निर्देश पालन रैंकिंग

निर्देश पालन स्कोर के अनुसार शीर्ष मॉडल

निर्देश पालन स्कोर बनाम कुल लागत

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल