सूचनांचे पालन मॉडेल 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

सरासरी सूचनांचे पालन स्कोअर

0.8

सर्वोत्तम मॉडेल

Minimax M3.1 Flash 0.5

अयशस्वी होण्याची कारणे

अयशस्वी होण्याचे कारण चुकीचे उत्तर सह118 अयशस्वी होण्याचे कारण सूचनांचे पालन केले नाही सह77 अयशस्वी होण्याचे कारण API त्रुटी सह28 अयशस्वी होण्याचे कारण अतिरिक्त फॉरमॅटिंग सह8 अयशस्वी होण्याचे कारण वेळ संपला सह5 अयशस्वी होण्याचे कारण उत्तर नाही सह2

455/455

क्रमांक	मॉडेल	कंपनी	सूचनांचे पालन स्कोअर	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#42	Pareto default	Unbiased	1.0	0.9	$1.520	2/2	4.95s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $1.520 प्रतिसाद वेळ (सरासरी) 4.95s
#43	Seed 2.1 Turbo high	Bytedance Seed	1.0	0.9	$1.892	2/2	7.66s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $1.892 प्रतिसाद वेळ (सरासरी) 7.66s
#45	Muse Spark Open xhigh	Meta	1.0	0.9	$2.081	2/2	23.5s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $2.081 प्रतिसाद वेळ (सरासरी) 23.5s
#46	Gemini 3.5 Flash low	Google	1.0	0.9	$0.752	2/2	1.86s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $0.752 प्रतिसाद वेळ (सरासरी) 1.86s
#47	Qwen3.8 Max (0902) medium	Qwen	1.0	0.9	$1.096	2/2	4.24s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $1.096 प्रतिसाद वेळ (सरासरी) 4.24s
#48	Muse Spark 1.3 medium	Meta	1.0	0.9	$1.712	2/2	10.5s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $1.712 प्रतिसाद वेळ (सरासरी) 10.5s
#49	Gemini 3.5 Flash Lite high	Google	1.0	0.9	$0.624	2/2	2.16s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $0.624 प्रतिसाद वेळ (सरासरी) 2.16s
#50	Gemini 4 Argon medium	Google	1.0	0.9	$0.674	2/2	2.71s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $0.674 प्रतिसाद वेळ (सरासरी) 2.71s
#51	Claude Opus 5 low	Anthropic	1.0	0.9	$2.350	2/2	4.13s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $2.350 प्रतिसाद वेळ (सरासरी) 4.13s
#52	Gemini 3.6 Flash low	Google	1.0	0.9	$0.363	2/2	2.82s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $0.363 प्रतिसाद वेळ (सरासरी) 2.82s
#53	GLM 5.3 Flash max	Z.ai	1.0	0.9	$0.089	2/2	3.65s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $0.089 प्रतिसाद वेळ (सरासरी) 3.65s
#55	Muse Spark 1.2 high	Meta	1.0	0.9	$2.018	2/2	5.43s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $2.018 प्रतिसाद वेळ (सरासरी) 5.43s
#56	Muse Spark 1.2 medium	Meta	1.0	0.9	$1.590	2/2	4.40s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $1.590 प्रतिसाद वेळ (सरासरी) 4.40s
#58	Claude Fable 5 medium	Anthropic	1.0	0.9	$5.089	2/2	5.90s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $5.089 प्रतिसाद वेळ (सरासरी) 5.90s
#59	Pareto 26.9 default	Unbiased	1.0	0.9	$1.864	2/2	3.82s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $1.864 प्रतिसाद वेळ (सरासरी) 3.82s

सूचनांचे पालन क्रमवारी

मॉडेल फिल्टर करा

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स