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.

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)
#52	Claude Sonnet 4.6 medium	Anthropic	10.0	7.4	2/2	2.61s
#54	GPT-5 Mini medium	OpenAI	10.0	7.3	2/2	11.6s
#58	Gemini 3.1 Flash Lite Preview none	Google	10.0	7.2	2/2	1.13s
#60	Kimi K2.6 medium	Moonshot AI	10.0	7.2	2/2	12.5s
#61	Gemini 3.1 Flash Lite low	Google	10.0	7.2	2/2	1.52s
#64	MiMo-V2-Flash medium	Xiaomi	10.0	7.2	2/2	4.28s
#66	Qwen3.5-35B-A3B medium	Qwen	10.0	7.1	2/2	24.4s
#69	Claude Opus 4.6 medium	Anthropic	10.0	7.0	2/2	2.43s
#72	DeepSeek V3.2 medium	DeepSeek	10.0	7.0	2/2	35.8s
#73	Seed-2.0-Mini medium	Bytedance Seed	10.0	6.9	2/2	17.5s
#76	Kimi K2.5 medium	Moonshot AI	10.0	6.8	2/2	92.5s
#78	Qwen3.6 27B medium	Qwen	10.0	6.8	2/2	38.0s
#81	Mercury 2 medium	Inception	10.0	6.6	2/2	1.07s
#82	Hy3 preview high	Tencent	10.0	6.6	2/2	34.4s
#83	Step 3.5 Flash none	Stepfun	10.0	6.6	1/1	9.30s

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स