AI BENCHY
Your ad here

AI BENCHY श्रेणी

सूचनांचे पालन क्रमवारी

सूचनांचे पालन मध्ये कोणती AI मॉडेल्स सर्वोत्तम काम करतात, कोणती विश्वासार्ह राहतात आणि सर्वात मोठी दरी कुठे दिसते ते पाहा.

दाखवलेली मॉडेल्स

15

सरासरी सूचनांचे पालन स्कोअर

8.0

सर्वोत्तम मॉडेल

Gemini 3 Flash Preview 10.0

अयशस्वी होण्याची कारणे

अयशस्वी होण्याचे कारण चुकीचे उत्तर सह44 अयशस्वी होण्याचे कारण सूचनांचे पालन केले नाही सह22 अयशस्वी होण्याचे कारण API त्रुटी सह1 अयशस्वी होण्याचे कारण वेळ संपला सह1
क्रमांक मॉडेल कंपनी सूचनांचे पालन स्कोअर स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#1 Gemini 3 Flash Preview medium Google 10.0 10.0 2/2 6.10s
#2 Gemini 3.1 Pro Preview medium Google 10.0 9.6 2/2 9.56s
#3 Claude Opus 4.7 medium Anthropic 10.0 9.2 2/2 1.57s
#4 Claude Opus 4.7 none Anthropic 10.0 9.2 2/2 1.46s
#6 Seed-2.0-Lite medium Bytedance Seed 10.0 8.6 2/2 7.26s
#7 GPT-5.3-Codex medium OpenAI 10.0 8.6 2/2 3.04s
#8 Qwen3.5 Plus 2026-02-15 medium Qwen 10.0 8.5 2/2 31.9s
#9 Qwen3.6 Plus Preview medium Qwen 10.0 8.5 2/2 7.54s
#10 Qwen3.5-27B medium Qwen 10.0 8.4 2/2 19.7s
#13 GLM 5 medium Z.ai 10.0 8.4 2/2 7.25s
#14 Gemma 4 31B medium Google 10.0 8.3 2/2 12.8s
#16 GPT-5.4 medium OpenAI 10.0 8.2 2/2 3.11s
#17 Gemini 3.1 Flash Lite Preview medium Google 10.0 8.2 2/2 1.91s
#18 GLM 5 Turbo medium Z.ai 10.0 8.1 2/2 5.38s
#19 Qwen3.5-122B-A10B medium Qwen 10.0 8.1 2/2 9.88s

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स