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. क्रम लावा: बरोबर चाचण्या ↑.

दाखवलेली मॉडेल्स

15

सरासरी सूचनांचे पालन स्कोअर

8.0

सर्वोत्तम मॉडेल

Gemma 4 26B A4B 4.4

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)
#77 GLM 5 Turbo none Z.ai 6.5 5.5 1/2 2.13s
#83 Mistral Small 4 none Mistral 6.5 5.2 1/2 380ms
#84 gpt-oss-120b none OpenAI 8.4 5.2 1/2 5.10s
#86 GPT-5.4 Mini none OpenAI 6.3 5.1 1/2 728ms
#90 Qwen3.5-9B none Qwen 6.5 4.8 1/2 514ms
#91 Mercury 2 none Inception 6.5 4.8 1/2 551ms
#93 GLM 4.7 Flash medium Z.ai 6.2 4.6 1/2 2.97s
#94 MiMo-V2-Flash none Xiaomi 6.5 4.5 1/2 857ms
#97 Qwen3.5-9B medium Qwen 6.4 4.4 1/2 17.1s
#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
#5 Gemini 3 Flash Preview low Google 9.9 8.8 2/2 7.02s
#6 Seed-2.0-Lite medium Bytedance Seed 10.0 8.6 2/2 7.26s

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स