谜题求解 x 未遵循指令排名 | AI BENCHY

看看哪些 AI 模型在谜题求解上最容易遇到未遵循指令，更快找出薄弱点。

显示的模型数

7

失败总数

166

受影响最多的模型

Minimax M3.1 Flash 2

失败原因

答案错误352 未遵循指令166 API 错误35 额外格式16 无答案14 超时11

分类

谜题求解166 通用智能142 指令遵循77 反AI技巧52 编程50 工具调用13 智能体任务10 数据解析与提取8 领域专项3 综合1

157/157

排名	模型	公司	未遵循指令次数	分类得分	总成本	测试正确	响应时间（平均）
#422	Grok Build 0.1 none	X AI	1	0.6	$0.547	1/3	9.55s
总测试数 3 错误测试数 2 总成本 $0.547 响应时间（平均） 9.55s
#430	d1-ultra default	Liquid	1	0.2	$0.003	0/1	485ms
总测试数 1 错误测试数 1 总成本 $0.003 响应时间（平均） 485ms
#431	Nemotron 3 Nano Omni 30b A3b Reasoning default	NVIDIA	1	0.3	$0.000	0/3	532ms
总测试数 3 错误测试数 3 总成本 $0.000 响应时间（平均） 532ms
#433	Decider V1.2 default	Perplexity	1	0.2	$0.001	0/1	490ms
总测试数 1 错误测试数 1 总成本 $0.001 响应时间（平均） 490ms
#436	GPT-6 Luna Decisions default	OpenAI	1	0.2	$0.005	0/1	414ms
总测试数 1 错误测试数 1 总成本 $0.005 响应时间（平均） 414ms
#438	Jev 1.14 default	Typesafe	1	0.2	$0.003	0/1	270ms
总测试数 1 错误测试数 1 总成本 $0.003 响应时间（平均） 270ms
#450	Nimble v3 9B default	Bespoke Labs	1	0.2	~$0.001	0/1	79ms
总测试数 1 错误测试数 1 总成本 ~$0.001 响应时间（平均） 79ms

←

1 10 11

按未遵循指令次数排名的顶级模型

未遵循指令次数对比分数

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