AI BENCHY
比较 图表 方法论
❤️ Made by XCS
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY 分类失败

指令遵循
答案错误

看看哪些 AI 模型在 指令遵循 上最容易遇到 答案错误,更快找出薄弱点。 排序方式: 测试正确 ↑.

显示的模型数

21

失败总数

26

受影响最多的模型

Qwen3.5-122B-A10B 2

相关失败原因

排名 模型 公司 答案错误 次数 分类得分 测试正确 响应时间(平均)
#40 Qwen3.5-122B-A10B none Qwen 2 4.5 0/2 585ms
#41 Qwen3.5-27B none Qwen 2 4.5 0/2 815ms
#45 Trinity Large Preview none Arcee AI 1 3.5 0/2 1.09s
#47 GPT-4o-mini none OpenAI 1 4.5 0/2 1.27s
#48 Qwen3 Coder Next none Qwen 2 4.5 0/2 7.71s
#50 Qwen3 Coder Next medium Qwen 1 4.5 0/2 7.34s
#53 Grok 4.1 Fast none X AI 2 10.0 0/2 923ms
#55 LFM2-24B-A2B none Liquid 2 4.5 0/2 1.09s
#15 GPT-5.2 Chat none OpenAI 1 6.0 1/2 5.46s
#19 GPT-5.3 Chat none OpenAI 1 9.0 1/2 3.29s
#20 Gemini 3 Flash Preview none Google 1 5.5 1/2 1.58s
#25 Claude Sonnet 4.6 none Anthropic 1 5.5 1/2 1.96s
#37 Qwen3.5-Flash none Qwen 1 5.0 1/2 8.81s
#38 Gemini 2.5 Flash none Google 1 9.0 1/2 672ms
#42 Qwen3.5-35B-A3B none Qwen 1 5.0 1/2 809ms
#44 GPT-5.4 none OpenAI 1 5.5 1/2 1.07s
#46 Kimi K2.5 none Moonshot AI 1 5.5 1/2 2.67s
#49 GLM 4.7 Flash none Z.ai 1 5.5 1/2 888ms
#51 Mercury 2 none Inception 1 5.5 1/2 551ms
#52 GLM 4.7 Flash medium Z.ai 1 5.0 1/2 2.97s
#54 MiMo-V2-Flash none Xiaomi 1 5.5 1/2 857ms

按 答案错误 次数 排名的顶级模型

答案错误 次数 vs 平均分

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