AI BENCHY
Advertise 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. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↑.

दाखवलेली मॉडेल्स

15

सरासरी सूचनांचे पालन स्कोअर

8.5

सर्वोत्तम मॉडेल

Granite 4.1 8B 3.6

अयशस्वी होण्याची कारणे

अयशस्वी होण्याचे कारण चुकीचे उत्तर सह53 अयशस्वी होण्याचे कारण सूचनांचे पालन केले नाही सह11 अयशस्वी होण्याचे कारण अतिरिक्त फॉरमॅटिंग सह2 अयशस्वी होण्याचे कारण उत्तर नाही सह2 अयशस्वी होण्याचे कारण API त्रुटी सह1
क्रमांक मॉडेल कंपनी सूचनांचे पालन स्कोअर स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#75 Ring-2.6-1T medium Inclusionai 9.8 6.9 2/2 11.8s
#47 Grok Build 0.1 medium X AI 9.8 7.4 2/2 12.4s
#60 Kimi K2.6 medium Moonshot AI 10.0 7.2 2/2 12.5s
#27 Gemma 4 31B medium Google 10.0 7.8 2/2 12.8s
#130 MiniMax M2.7 medium Minimax 3.8 5.3 0/2 12.8s
#156 Hy3 preview none Tencent 6.3 4.4 1/2 13.0s
#31 DeepSeek V4 Flash high DeepSeek 10.0 7.7 2/2 15.4s
#94 GPT-5 Nano medium OpenAI 9.8 6.3 2/2 15.6s
#89 Hy3 preview low Tencent 10.0 6.4 2/2 16.0s
#18 Qwen3.7 Plus medium Qwen 10.0 8.2 2/2 16.1s
#73 Seed-2.0-Mini medium Bytedance Seed 10.0 6.9 2/2 17.5s
#37 Gemma 4 26B A4B medium Google 10.0 7.6 2/2 17.5s
#139 DeepSeek V4 Flash none DeepSeek 6.5 5.0 1/2 17.5s
#38 Grok 4.3 medium X AI 9.8 7.6 2/2 18.6s
#30 Qwen3.5-27B medium Qwen 10.0 7.8 2/2 19.7s

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स