AI BENCHY
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

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: बरोबर चाचण्या ↑.

दाखवलेली मॉडेल्स

15

सरासरी सूचनांचे पालन स्कोअर

8.5

सर्वोत्तम मॉडेल

MiniMax M2.7 3.8

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)
#78 Qwen3.6 27B medium Qwen 10.0 6.8 2/2 38.0s
#79 Hunter Alpha medium OpenRouter 9.9 6.7 2/2 4.18s
#81 Mercury 2 medium Inception 10.0 6.6 2/2 1.07s
#82 Hy3 preview high Tencent 10.0 6.6 2/2 34.4s
#83 Step 3.5 Flash none Stepfun 10.0 6.6 1/1 9.30s
#84 Grok 4.20 Multi Agent Beta medium X AI 9.8 6.6 2/2 3.52s
#87 Gemini 3.1 Flash Lite minimal Google 10.0 6.4 2/2 932ms
#89 Hy3 preview low Tencent 10.0 6.4 2/2 16.0s
#90 Gemini 3.1 Flash Lite none Google 10.0 6.4 2/2 859ms
#92 Laguna M.1 medium Poolside 10.0 6.4 2/2 4.30s
#94 GPT-5 Nano medium OpenAI 9.8 6.3 2/2 15.6s
#95 Qwen3.5 Plus 2026-02-15 none Qwen 10.0 6.3 2/2 1.67s
#96 Ring-2.6-1T none Inclusionai 9.8 6.2 2/2 27.4s
#97 Gemini 2.5 Flash none Google 10.0 6.2 2/2 590ms
#98 GLM 5 none Z.ai 10.0 6.1 2/2 1.48s

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स