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

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)
#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
#3 Gemini 3.5 Flash low Google 9.9 9.4 2/2 1.86s
#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
#6 GPT-5.5 low OpenAI 9.9 9.0 2/2 3.74s
#7 Gemini 3.5 Flash medium Google 9.9 9.0 2/2 2.70s
#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
#12 Gemini 3.1 Flash Lite Preview high Google 9.8 8.6 2/2 64.0s
#13 Grok 4.20 Beta medium X AI 9.8 8.5 2/2 4.89s
#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

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स