指令遵循 x 额外格式排名 | AI BENCHY

看看哪些 AI 模型在指令遵循上最容易遇到额外格式，更快找出薄弱点。排序方式: 总成本 ↑.

显示的模型数

7

失败总数

7

受影响最多的模型

失败原因

答案错误82 未遵循指令48 额外格式7 超时5 API 错误2 无答案2

分类

反AI技巧29 编程26 领域专项23 谜题求解14 数据解析与提取8 指令遵循7 综合1

7/7

排名	模型	公司	额外格式次数	分类得分	总成本	测试正确	响应时间（平均）
#295	Hy3 preview none	Tencent	1	6.3	$0.007	1/2	13.0s
总测试数 2 错误测试数 1 总成本 $0.007 响应时间（平均） 13.0s
#291	Granite 4.2 8B none	IBM Granite	1	3.0	$0.026	0/2	79.5s
总测试数 2 错误测试数 2 总成本 $0.026 响应时间（平均） 79.5s
#233	DeepSeek V4 Flash 0423 none	DeepSeek	1	6.5	$0.037	1/2	17.5s
总测试数 2 错误测试数 1 总成本 $0.037 响应时间（平均） 17.5s
#114	DeepSeek V4 Flash 0731 medium	DeepSeek	1	8.5	$0.066	1/2	2.42s
总测试数 2 错误测试数 1 总成本 $0.066 响应时间（平均） 2.42s
#243	Seed-2.0-Code none	Bytedance Seed	1	6.2	$0.151	1/2	1.80s
总测试数 2 错误测试数 1 总成本 $0.151 响应时间（平均） 1.80s
#181	Claude Sonnet 5 none	Anthropic	1	6.4	$0.548	1/2	2.58s
总测试数 2 错误测试数 1 总成本 $0.548 响应时间（平均） 2.58s
#136	Claude Fable 5.1 low	Anthropic	1	6.5	$2.565	1/2	5.24s
总测试数 2 错误测试数 1 总成本 $2.565 响应时间（平均） 5.24s

按额外格式次数排名的顶级模型

额外格式次数对比分数

按响应时间（平均）排名的顶级模型

按预估浪费成本排名的顶级模型