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

8

失败总数

522

受影响最多的模型

Minimax M3.1 Flash 1

分类

在分类谜题求解中166 在分类通用智能中142 在分类指令遵循中77 在分类反AI技巧中52 在分类编程中50 在分类工具调用中13 在分类智能体任务中10 在分类数据解析与提取中8 在分类领域专项中3 在分类综合中1

293/293

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）
#272	Claude Fable 5.1 low	Anthropic	3	0.6	$3.395	11/23	11.4s
总测试数 23 错误测试数 12 总成本 $3.395 响应时间（平均） 11.4s
#311	Step 5 Preview low	Stepfun	1	0.6	$4.110	10/23	138.3s
总测试数 23 错误测试数 13 总成本 $4.110 响应时间（平均） 138.3s
#279	Step 5 Preview medium	Stepfun	2	0.6	$4.136	10/23	136.1s
总测试数 23 错误测试数 13 总成本 $4.136 响应时间（平均） 136.1s
#189	Step 5 Preview high	Stepfun	1	0.7	$4.513	10/23	154.4s
总测试数 23 错误测试数 13 总成本 $4.513 响应时间（平均） 154.4s
#90	GLM 5.2 high	Z.ai	1	0.8	$4.632	15/23	69.1s
总测试数 23 错误测试数 8 总成本 $4.632 响应时间（平均） 69.1s
#124	Muse Wonder max	Meta	1	0.8	$4.766	16/23	44.4s
总测试数 23 错误测试数 7 总成本 $4.766 响应时间（平均） 44.4s
#400	Grok 4.20 Multi Agent Beta medium	X AI	2	0.4	$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
#34	Claude Sonnet 5.5 max	Anthropic	2	0.9	$8.557	18/23	84.3s
总测试数 23 错误测试数 5 总成本 $8.557 响应时间（平均） 84.3s

←

1 19 20

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