AI BENCHY
Advertise 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

8.5

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)
#130 MiniMax M2.7 medium Minimax 3.8 5.3 0/2 12.8s
#151 Trinity Large Preview none Arcee AI 3.5 4.6 0/2 822ms
#157 Grok 4.1 Fast none X AI 3.0 4.4 0/2 685ms
#162 Nemotron 3 Nano Omni 30b A3b Reasoning none NVIDIA 4.8 4.1 0/2 541ms
#163 Granite 4.1 8B none IBM Granite 3.6 4.0 0/2 344ms
#32 Gemini 3.5 Flash minimal Google 6.4 7.7 1/2 893ms
#48 Gemini 3 Flash Preview none Google 6.4 7.4 1/2 1.58s
#53 Gemini 3.1 Flash Lite high Google 7.3 7.3 1/2 23.3s
#55 GLM 5.1 medium Z.ai 6.4 7.3 1/2 7.47s
#62 Step 3.5 Flash medium Stepfun 8.3 7.2 1/2 4.78s
#77 Claude Sonnet 4.6 none Anthropic 6.5 6.8 1/2 1.96s
#80 Mimo V2 Omni medium Xiaomi 8.3 6.7 1/2 4.99s
#85 Gemma 4 31B none Google 6.5 6.5 1/2 2.84s
#86 Grok 4.1 Fast medium X AI 6.5 6.5 1/2 4.63s
#88 Qwen3.7 Plus none Qwen 6.3 6.4 1/2 929ms

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स