सूचनांचे पालन मॉडेल क्रमवारी | AI BENCHY

AI BENCHY श्रेणी

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)
#12	Gemini 3.1 Flash Lite Preview high	Google	9.8	8.6	2/2	64.0s
#13	Grok 4.20 Beta medium	X AI	9.8	8.5	2/2	4.89s
#14	Qwen3.6 Max Preview medium	Qwen	10.0	8.5	2/2	24.3s
#15	GPT-5.3-Codex medium	OpenAI	10.0	8.4	2/2	3.04s
#16	Gemini 3 Flash Preview low	Google	9.9	8.4	2/2	7.02s
#17	GLM 5 medium	Z.ai	10.0	8.3	2/2	7.25s
#18	Qwen3.7 Plus medium	Qwen	10.0	8.2	2/2	16.1s
#19	Seed-2.0-Lite medium	Bytedance Seed	10.0	8.2	2/2	7.26s
#20	Gemini 3.5 Flash none	Google	9.8	8.1	2/2	3.38s
#21	GPT-5.4 medium	OpenAI	10.0	8.0	2/2	3.11s
#22	Step 3.7 Flash medium	Stepfun	9.8	8.0	2/2	1.83s
#23	GLM 5 Turbo medium	Z.ai	10.0	8.0	2/2	5.38s
#24	GPT-5.2 Chat none	OpenAI	9.8	7.9	2/2	5.51s
#25	Qwen3.5 Plus 2026-02-15 medium	Qwen	10.0	7.9	2/2	31.9s
#26	Qwen3.6 Plus medium	Qwen	10.0	7.9	2/2	7.54s

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स