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

Gemini 3 Flash Preview 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)
#31	DeepSeek V4 Flash high	DeepSeek	10.0	7.7	2/2	15.4s
#33	Hy3 preview medium	Tencent	10.0	7.7	2/2	6.16s
#34	Qwen3.7 Max none	Qwen	10.0	7.7	2/2	943ms
#35	Gemini 3 PRO Preview medium	Google	9.8	7.6	2/2	3.26s
#36	Qwen3.5 Plus 2026-04-20 medium	Qwen	10.0	7.6	2/2	20.2s
#37	Gemma 4 26B A4B medium	Google	10.0	7.6	2/2	17.5s
#38	Grok 4.3 medium	X AI	9.8	7.6	2/2	18.6s
#39	Qwen3.6 Flash medium	Qwen	10.0	7.5	2/2	6.05s
#40	Gemini 3.1 Flash Lite Preview medium	Google	10.0	7.5	2/2	1.91s
#41	Nemotron 3 Ultra 550b A55b medium	NVIDIA	9.8	7.5	2/2	6.35s
#42	GPT-5.2 medium	OpenAI	9.9	7.5	2/2	3.12s
#43	MiMo-V2.5-Pro medium	Xiaomi	9.9	7.5	2/2	2.77s
#44	Gemini 3.1 Flash Lite medium	Google	9.9	7.5	2/2	2.59s
#45	GPT-5.4 Mini medium	OpenAI	9.8	7.5	2/2	2.13s
#46	Qwen3.6 35B A3B medium	Qwen	10.0	7.4	2/2	7.50s

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स