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: मेट्रिक ↑.

दाखवलेली मॉडेल्स

15

सरासरी सूचनांचे पालन स्कोअर

8.5

सर्वोत्तम मॉडेल

Grok 4.1 Fast 3.0

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)
#99	gpt-oss-120b medium	OpenAI	9.9	6.1	2/2	7.63s
#1	Gemini 3 Flash Preview medium	Google	10.0	9.8	2/2	4.04s
#2	Gemini 3.5 Flash high	Google	10.0	9.6	2/2	3.35s
#4	Gemini 3.1 Pro Preview medium	Google	10.0	9.4	2/2	9.56s
#5	Qwen3.7 Max medium	Qwen	10.0	9.1	2/2	7.46s
#8	Claude Opus 4.7 none	Anthropic	10.0	8.9	2/2	1.46s
#9	GPT-5.5 medium	OpenAI	10.0	8.8	2/2	3.36s
#10	Claude Opus 4.8 medium	Anthropic	10.0	8.7	2/2	3.32s
#11	Claude Opus 4.7 medium	Anthropic	10.0	8.7	2/2	1.57s
#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
#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
#21	GPT-5.4 medium	OpenAI	10.0	8.0	2/2	3.11s

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स