सूचनांचे पालन मॉडेल क्रमवारी

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: प्रतिसाद वेळ (सरासरी) ↓.

दाखवलेली मॉडेल्स

सरासरी सूचनांचे पालन स्कोअर

8.5

सर्वोत्तम मॉडेल

Kimi K2.5 10.0

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)
#34	Qwen3.7 Max none	Qwen	10.0	7.7	2/2	943ms
#87	Gemini 3.1 Flash Lite minimal	Google	10.0	6.4	2/2	932ms
#88	Qwen3.7 Plus none	Qwen	6.3	6.4	1/2	929ms
#32	Gemini 3.5 Flash minimal	Google	6.4	7.7	1/2	893ms
#122	GLM 4.7 Flash none	Z.ai	6.5	5.5	1/2	888ms
#90	Gemini 3.1 Flash Lite none	Google	10.0	6.4	2/2	859ms
#152	MiMo-V2-Flash none	Xiaomi	6.5	4.6	1/2	857ms
#151	Trinity Large Preview none	Arcee AI	3.5	4.6	0/2	822ms
#117	Qwen3.5-35B-A3B none	Qwen	6.3	5.6	1/2	809ms
#141	Nemotron 3 Super none	NVIDIA	6.3	4.9	1/2	804ms
#148	GPT-5.4 Nano none	OpenAI	6.3	4.7	1/2	784ms
#160	LFM2-24B-A2B none	Liquid	6.3	4.2	1/2	752ms
#143	MiMo-V2.5 none	Xiaomi	6.5	4.9	1/2	751ms
#144	GPT-5.4 Mini none	OpenAI	6.3	4.9	1/2	728ms
#102	Gemma 4 26B A4B none	Google	6.3	6.0	1/2	690ms

←

1 9 10 11

→

सूचनांचे पालन क्रमवारी

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स