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)
#83	Step 3.5 Flash none	Stepfun	10.0	6.6	1/1	9.30s
#84	Grok 4.20 Multi Agent Beta medium	X AI	9.8	6.6	2/2	3.52s
#87	Gemini 3.1 Flash Lite minimal	Google	10.0	6.4	2/2	932ms
#89	Hy3 preview low	Tencent	10.0	6.4	2/2	16.0s
#90	Gemini 3.1 Flash Lite none	Google	10.0	6.4	2/2	859ms
#92	Laguna M.1 medium	Poolside	10.0	6.4	2/2	4.30s
#94	GPT-5 Nano medium	OpenAI	9.8	6.3	2/2	15.6s
#95	Qwen3.5 Plus 2026-02-15 none	Qwen	10.0	6.3	2/2	1.67s
#96	Ring-2.6-1T none	Inclusionai	9.8	6.2	2/2	27.4s
#97	Gemini 2.5 Flash none	Google	10.0	6.2	2/2	590ms
#98	GLM 5 none	Z.ai	10.0	6.1	2/2	1.48s
#99	gpt-oss-120b medium	OpenAI	9.9	6.1	2/2	7.63s
#100	Grok Build 0.1 none	X AI	9.8	6.0	2/2	7.36s
#103	DeepSeek V4 Pro high	DeepSeek	10.0	6.0	2/2	41.2s
#104	Nemotron 3 Ultra 550b A55b none	NVIDIA	10.0	6.0	2/2	1.46s

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स