未遵循指令失败排名 | AI BENCHY

看看哪些 AI 模型最常遇到未遵循指令，让你在选择前先发现稳定性风险。排序方式: 总成本 ↑.

显示的模型数

5

失败总数

245

受影响最多的模型

分类

在分类谜题求解中90 在分类通用智能中78 在分类反AI技巧中33 在分类指令遵循中18 在分类编程中16 在分类工具调用中8 在分类综合中1 在分类领域专项中1

140/140

排名	模型	公司	未遵循指令次数	分数	总成本	测试正确	响应时间（平均）
#12	Grok 4.5 high	X AI	1	8.9	$1.707	17/22	76.5s
总测试数 22 错误测试数 5 总成本 $1.707 响应时间（平均） 76.5s
#143	Gemini 3.1 Flash Lite high	Google	3	5.6	$2.044	10/18	62.0s
总测试数 18 错误测试数 8 总成本 $2.044 响应时间（平均） 62.0s
#163	Gemini 3.1 Flash Lite Preview high	Google	1	5.3	$2.310	13/16	68.1s
总测试数 16 错误测试数 3 总成本 $2.310 响应时间（平均） 68.1s
#43	Claude Opus 4.6 medium	Anthropic	1	7.7	$3.059	13/22	34.3s
总测试数 22 错误测试数 9 总成本 $3.059 响应时间（平均） 34.3s
#181	Grok 4.20 Multi Agent Beta medium	X AI	2	4.8	$5.599	8/18	9.69s
总测试数 18 错误测试数 10 总成本 $5.599 响应时间（平均） 9.69s

←

1 9 10

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