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 सह117 अयशस्वी होण्याचे कारण सूचनांचे पालन केले नाही सह77 अयशस्वी होण्याचे कारण API त्रुटी सह25 अयशस्वी होण्याचे कारण अतिरिक्त फॉरमॅटिंग सह8 अयशस्वी होण्याचे कारण वेळ संपला सह5 अयशस्वी होण्याचे कारण उत्तर नाही सह2

451/451

क्रमांक	मॉडेल	कंपनी	सूचनांचे पालन स्कोअर	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#440	Clef Omni default	Cloudflare	0.2	0.2	$0.011	0/1	904ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.011 प्रतिसाद वेळ (सरासरी) 904ms
#441	Decider Flash V1.2 default	Perplexity	0.2	0.2	$0.001	0/1	424ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.001 प्रतिसाद वेळ (सरासरी) 424ms
#443	D1 default	Liquid	0.2	0.2	$0.003	0/1	820ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.003 प्रतिसाद वेळ (सरासरी) 820ms
#444	Gemini 3 Flash Preview high	Google	0.0	0.2	$0.105	0/0	0ms
एकूण चाचण्या 0 चुकीच्या चाचण्या 0 एकूण खर्च $0.105 प्रतिसाद वेळ (सरासरी) 0ms
#446	Solar Decide Flash default	Upstage	0.2	0.2	$0.003	0/1	1.66s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.003 प्रतिसाद वेळ (सरासरी) 1.66s
#447	Microsoft-Decision-1 default	Microsoft	0.2	0.1	$0.002	0/1	997ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.002 प्रतिसाद वेळ (सरासरी) 997ms
#449	Tev1 4B Experimental default	Togethercomputer	0.2	1.0	$0.002	0/1	555ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.002 प्रतिसाद वेळ (सरासरी) 555ms
#450	Nimble v3 9B default	Bespoke Labs	0.2	0.8	~$0.001	0/1	469ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च ~$0.001 प्रतिसाद वेळ (सरासरी) 469ms
#451	Claude Opus 5.5 none	Anthropic	0.0	0.2	$0.015	0/0	0ms
एकूण चाचण्या 0 चुकीच्या चाचण्या 0 एकूण खर्च $0.015 प्रतिसाद वेळ (सरासरी) 0ms
#32	Muse Wonder medium	Meta	0.7	0.9	$3.397	1/2	3.88s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $3.397 प्रतिसाद वेळ (सरासरी) 3.88s
#34	Claude Sonnet 5.5 max	Anthropic	0.9	0.9	$8.557	1/2	6.24s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $8.557 प्रतिसाद वेळ (सरासरी) 6.24s
#40	Muse Spark 1.3 high	Meta	0.7	0.9	$1.891	1/2	14.7s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $1.891 प्रतिसाद वेळ (सरासरी) 14.7s
#41	Muse Wonder low	Meta	0.7	0.9	$2.637	1/2	2.08s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $2.637 प्रतिसाद वेळ (सरासरी) 2.08s
#44	Muse Wonder minimal	Meta	0.7	0.9	$1.639	1/2	1.39s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $1.639 प्रतिसाद वेळ (सरासरी) 1.39s
#54	Muse Spark Open low	Meta	0.8	0.9	$0.600	1/2	10.3s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.600 प्रतिसाद वेळ (सरासरी) 10.3s

सूचनांचे पालन क्रमवारी

मॉडेल फिल्टर करा

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स