AI BENCHY
比較する チャート 方法論
❤️ Made by XCS
Your ad here

AI BENCHY カテゴリ別失敗

汎用知能
指示に従っていない

汎用知能 で 指示に従っていない が起きやすいAIモデルを確認し、弱点を早く見つけられます。

表示モデル数

32

総失敗数

32

最も影響を受けたモデル

GPT-5.3-Codex 1
順位 モデル 企業 指示に従っていない 件数 カテゴリスコア 正解テスト 応答時間(平均)
#3 GPT-5.3-Codex medium OpenAI 1 4.0 0/1 4.87s
#7 Qwen3.5-27B medium Qwen 1 5.0 0/1 101.4s
#9 GPT-5.4 medium OpenAI 1 5.0 0/1 4.92s
#13 Step 3.5 Flash medium Stepfun 1 6.0 0/1 6.54s
#14 GLM 5 medium Z.ai 1 5.0 0/1 14.7s
#15 GPT-5.2 Chat none OpenAI 1 4.0 0/1 3.20s
#16 Gemini 2.5 Flash medium Google 1 4.0 0/1 4.86s
#17 Gemini 3.1 Flash Lite Preview low Google 1 3.0 0/1 1.54s
#18 DeepSeek V3.2 medium DeepSeek 1 3.0 0/1 31.3s
#19 GPT-5.3 Chat none OpenAI 1 4.0 0/1 1.99s
#21 MiMo-V2-Flash medium Xiaomi 1 3.0 0/1 4.20s
#22 Gemini 3.1 Flash Lite Preview none Google 1 3.0 0/1 741ms
#23 Seed-2.0-Mini medium Bytedance Seed 1 6.0 0/1 36.7s
#24 Qwen3.5-Flash medium Qwen 1 5.0 0/1 40.1s
#25 Claude Sonnet 4.6 none Anthropic 1 5.0 0/1 2.56s
#27 GPT-5.2 medium OpenAI 1 10.0 0/1 4.32s
#28 Kimi K2.5 medium Moonshot AI 1 6.0 0/1 69.7s
#30 Grok 4.1 Fast medium X AI 1 3.0 0/1 16.2s
#32 GPT-5 Mini medium OpenAI 1 4.0 0/1 13.5s
#34 GPT-5 Nano medium OpenAI 1 3.0 0/1 17.5s
#36 Mercury 2 medium Inception 1 4.0 0/1 821ms
#39 gpt-oss-120b medium OpenAI 1 3.0 0/1 7.90s
#40 Qwen3.5-122B-A10B none Qwen 1 5.0 0/1 1.12s
#41 Qwen3.5-27B none Qwen 1 5.0 0/1 2.51s
#42 Qwen3.5-35B-A3B none Qwen 1 6.0 0/1 1.19s
#43 MiniMax M2.5 medium Minimax 1 3.0 0/1 6.63s
#45 Trinity Large Preview none Arcee AI 1 3.0 0/1 2.86s
#50 Qwen3 Coder Next medium Qwen 1 6.0 0/1 1.39s
#51 Mercury 2 none Inception 1 4.0 0/1 628ms
#53 Grok 4.1 Fast none X AI 1 3.0 0/1 1.08s
#54 MiMo-V2-Flash none Xiaomi 1 4.0 0/1 1.67s
#55 LFM2-24B-A2B none Liquid 1 3.0 0/1 395ms

指示に従っていない 件数 上位モデル

指示に従っていない 件数 vs 平均スコア

応答時間(平均) 上位モデル

推定無駄コスト 上位モデル