Orodha ya Ufuataji wa maagizo x Jibu lisilo sahihi

Kushindwa kwa kategoria za AI BENCHY

Ona ni modeli gani za AI zina uwezekano mkubwa wa kupata Jibu lisilo sahihi katika Ufuataji wa maagizo, ili uone udhaifu haraka. Panga kwa: Muda wa majibu (wastani) ↑.

Modeli zilizoonyeshwa

Jumla ya kushindwa

Modeli iliyoathirika zaidi

Mistral Small 4 1

Sababu za kushindwa

Jibu lisilo sahihi44 Hakufuata maelekezo22 Hitilafu ya API1 Muda umeisha1

Kategoria

Mahususi kwa domeni182 Mbinu za kupinga AI165 Utatuzi wa mafumbo85 Ufuataji wa maagizo44 Mchanganyiko37 Uandishi wa msimbo28 Uchanganuzi na uchimbaji wa data19 Akili ya jumla10 Mwito wa zana2

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Majaribio sahihi	Muda wa majibu (wastani)
#83	Mistral Small 4 none	Mistral	1	6.5	1/2	380ms
#82	Grok 4.20 none	X AI	1	4.8	0/2	455ms
#90	Qwen3.5-9B none	Qwen	1	6.5	1/2	514ms
#91	Mercury 2 none	Inception	1	6.5	1/2	551ms
#70	Qwen3.5-122B-A10B none	Qwen	2	4.5	0/2	585ms
#62	Gemini 2.5 Flash none	Google	1	8.0	1/2	672ms
#79	Grok 4.20 Beta none	X AI	1	4.8	0/2	687ms
#86	GPT-5.4 Mini none	OpenAI	1	6.3	1/2	728ms
#96	GPT-5.4 Nano none	OpenAI	1	5.0	0/2	787ms
#63	Qwen3.5-35B-A3B none	Qwen	1	6.3	1/2	809ms
#67	Qwen3.5-27B none	Qwen	2	4.8	0/2	815ms
#94	MiMo-V2-Flash none	Xiaomi	1	6.5	1/2	857ms
#74	GLM 4.7 Flash none	Z.ai	1	6.5	1/2	888ms
#95	Grok 4.1 Fast none	X AI	2	3.0	0/2	923ms
#66	GPT-5.4 none	OpenAI	1	6.5	1/2	1.07s

Modeli bora kwa Idadi ya Jibu lisilo sahihi

Idadi ya Jibu lisilo sahihi dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa

Ufuataji wa maagizo: Jibu lisilo sahihi

Modeli bora kwa Idadi ya Jibu lisilo sahihi

Idadi ya Jibu lisilo sahihi dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa