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)
#142	Mistral Small 4 none	Mistral	6.5	4.9	1/2	380ms
#143	MiMo-V2.5 none	Xiaomi	6.5	4.9	1/2	751ms
#146	Laguna Xs.2 none	Poolside	6.5	4.8	1/2	439ms
#152	MiMo-V2-Flash none	Xiaomi	6.5	4.6	1/2	857ms
#154	Qwen3.5-9B none	Qwen	6.5	4.6	1/2	514ms
#155	Mercury 2 none	Inception	6.5	4.5	1/2	551ms
#161	Qwen3.5-9B medium	Qwen	6.5	4.2	1/2	5.75s
#32	Gemini 3.5 Flash minimal	Google	6.4	7.7	1/2	893ms
#48	Gemini 3 Flash Preview none	Google	6.4	7.4	1/2	1.58s
#55	GLM 5.1 medium	Z.ai	6.4	7.3	1/2	7.47s
#116	Hunter Alpha none	OpenRouter	6.4	5.7	1/2	2.82s
#121	Owl Alpha none	Openrouter	6.4	5.5	1/2	2.63s
#123	MiMo-V2.5-Pro none	Xiaomi	6.4	5.5	1/2	1.03s
#159	Ling-2.6-1T none	Inclusionai	6.4	4.3	1/2	5.36s
#113	DeepSeek V4 Pro none	DeepSeek	6.3	5.7	1/2	8.23s

सूचनांचे पालन स्कोअर नुसार शीर्ष मॉडेल्स

सूचनांचे पालन स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स