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: 响应时间（平均） ↓.

显示的模型数

8

失败总数

8

受影响最多的模型

Granite 4.2 8B 1

失败原因

答案错误111 未遵循指令73 API 错误25 额外格式8 超时5 无答案2

分类

编程37 领域专项36 反AI技巧34 谜题求解16 数据解析与提取12 指令遵循8 综合1

8/8

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）
#380	Granite 4.2 8B none	IBM Granite	1	0.3	$0.037	0/2	79.5s
总测试数 2 错误测试数 2 总成本 $0.037 响应时间（平均） 79.5s
#257	DeepSeek V4 Flash 0423 none	DeepSeek	1	0.7	$0.149	1/2	17.5s
总测试数 2 错误测试数 1 总成本 $0.149 响应时间（平均） 17.5s
#410	Hy3 preview none	Tencent	1	0.6	$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
#264	Claude Fable 5.1 low	Anthropic	1	0.7	$3.395	1/2	5.24s
总测试数 2 错误测试数 1 总成本 $3.395 响应时间（平均） 5.24s
#284	Claude Sonnet 5 none	Anthropic	1	0.6	$1.095	1/2	2.58s
总测试数 2 错误测试数 1 总成本 $1.095 响应时间（平均） 2.58s
#130	DeepSeek V4 Flash 0731 medium	DeepSeek	1	0.8	$0.460	1/2	2.42s
总测试数 2 错误测试数 1 总成本 $0.460 响应时间（平均） 2.42s
#222	Claude Sonnet 5.5 medium	Anthropic	1	0.6	$1.100	1/2	1.88s
总测试数 2 错误测试数 1 总成本 $1.100 响应时间（平均） 1.88s
#313	Seed-2.0-Code none	Bytedance Seed	1	0.6	$0.257	1/2	1.80s
总测试数 2 错误测试数 1 总成本 $0.257 响应时间（平均） 1.80s

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