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 ↑.
| क्रमांक | मॉडेल | कंपनी | सूचनांचे पालन स्कोअर | स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #120 | Mimo V2 PRO none | Xiaomi | 6.5 | 5.6 | 1/2 | 2.51s |
| #121 | Owl Alpha none | Openrouter | 6.4 | 5.5 | 1/2 | 2.63s |
| #122 | GLM 4.7 Flash none | Z.ai | 6.5 | 5.5 | 1/2 | 888ms |
| #123 | MiMo-V2.5-Pro none | Xiaomi | 6.4 | 5.5 | 1/2 | 1.03s |
| #124 | Kimi K2.6 none | Moonshot AI | 6.5 | 5.5 | 1/2 | 1.64s |
| #125 | GPT-5.4 none | OpenAI | 6.5 | 5.5 | 1/2 | 1.07s |
| #127 | Grok 4.20 none | X AI | 6.3 | 5.4 | 1/2 | 445ms |
| #128 | Qwen3.6 Flash none | Qwen | 6.3 | 5.4 | 1/2 | 1.10s |
| #129 | MiniMax M2.5 medium | Minimax | 7.5 | 5.3 | 1/2 | 621ms |
| #131 | Qwen3.5-122B-A10B none | Qwen | 6.3 | 5.3 | 1/2 | 513ms |
| #132 | Mistral Small 4 medium | Mistral | 7.3 | 5.3 | 1/2 | 1.38s |
| #134 | GLM 5 Turbo none | Z.ai | 6.5 | 5.2 | 1/2 | 2.13s |
| #135 | Kimi K2.5 none | Moonshot AI | 6.5 | 5.2 | 1/2 | 2.67s |
| #139 | DeepSeek V4 Flash none | DeepSeek | 6.5 | 5.0 | 1/2 | 17.5s |
| #140 | Qwen3 Coder Next none | Qwen | 6.3 | 4.9 | 1/2 | 7.78s |