AI BENCHY زمرہ
ہدایات کی پیروی درجہ بندی
دیکھیں کہ ہدایات کی پیروی میں کون سے AI ماڈلز بہترین کارکردگی دکھاتے ہیں، کون سے قابلِ اعتماد رہتے ہیں، اور سب سے بڑے فرق کہاں نظر آتے ہیں۔ ترتیب دیں حسب: درست ٹیسٹس ↓.
| درجہ | ماڈل | کمپنی | ہدایات کی پیروی اسکور | اسکور | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|
| #83 | Step 3.5 Flash none | Stepfun | 10.0 | 6.6 | 1/1 | 9.30s |
| #84 | Grok 4.20 Multi Agent Beta medium | X AI | 9.8 | 6.6 | 2/2 | 3.52s |
| #87 | Gemini 3.1 Flash Lite minimal | 10.0 | 6.4 | 2/2 | 932ms | |
| #89 | Hy3 preview low | Tencent | 10.0 | 6.4 | 2/2 | 16.0s |
| #90 | Gemini 3.1 Flash Lite none | 10.0 | 6.4 | 2/2 | 859ms | |
| #92 | Laguna M.1 medium | Poolside | 10.0 | 6.4 | 2/2 | 4.30s |
| #94 | GPT-5 Nano medium | OpenAI | 9.8 | 6.3 | 2/2 | 15.6s |
| #95 | Qwen3.5 Plus 2026-02-15 none | Qwen | 10.0 | 6.3 | 2/2 | 1.67s |
| #96 | Ring-2.6-1T none | Inclusionai | 9.8 | 6.2 | 2/2 | 27.4s |
| #97 | Gemini 2.5 Flash none | 10.0 | 6.2 | 2/2 | 590ms | |
| #98 | GLM 5 none | Z.ai | 10.0 | 6.1 | 2/2 | 1.48s |
| #99 | gpt-oss-120b medium | OpenAI | 9.9 | 6.1 | 2/2 | 7.63s |
| #100 | Grok Build 0.1 none | X AI | 9.8 | 6.0 | 2/2 | 7.36s |
| #103 | DeepSeek V4 Pro high | DeepSeek | 10.0 | 6.0 | 2/2 | 41.2s |
| #104 | Nemotron 3 Ultra 550b A55b none | NVIDIA | 10.0 | 6.0 | 2/2 | 1.46s |