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)
#119	Cobuddy medium	Baidu	9.8	5.6	2/2	11.6s
#136	Elephant Alpha medium	Openrouter	9.8	5.1	2/2	987ms
#137	Elephant Alpha none	Openrouter	9.8	5.1	2/2	1.03s
#138	Ling-2.6-flash none	Inclusionai	9.8	5.0	2/2	5.52s
#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
#22	Step 3.7 Flash medium	Stepfun	9.8	8.0	2/2	1.83s
#24	GPT-5.2 Chat none	OpenAI	9.8	7.9	2/2	5.51s
#28	Gemini 2.5 Flash medium	Google	9.8	7.8	2/2	2.62s
#35	Gemini 3 PRO Preview medium	Google	9.8	7.6	2/2	3.26s
#41	Nemotron 3 Ultra 550b A55b medium	NVIDIA	9.8	7.5	2/2	6.35s
#45	GPT-5.4 Mini medium	OpenAI	9.8	7.5	2/2	2.13s
#57	Step 3.7 Flash low	Stepfun	9.8	7.3	2/2	1.58s
#63	GPT-5.3 Chat none	OpenAI	9.8	7.2	2/2	3.51s
#65	Grok 4.20 medium	X AI	9.8	7.1	2/2	4.26s

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स