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。

显示的模型数

8

失败总数

522

受影响最多的模型

Claude Sonnet 5.5 5

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）
#430	d1-ultra default	Liquid	1	0.3	$0.003	4/12	531ms
总测试数 12 错误测试数 8 总成本 $0.003 响应时间（平均） 531ms
#433	Decider V1.2 default	Perplexity	1	0.3	$0.001	5/12	517ms
总测试数 12 错误测试数 7 总成本 $0.001 响应时间（平均） 517ms
#436	GPT-6 Luna Decisions default	OpenAI	1	0.2	$0.005	3/12	495ms
总测试数 12 错误测试数 9 总成本 $0.005 响应时间（平均） 495ms
#438	Jev 1.14 default	Typesafe	1	0.2	$0.003	4/12	377ms
总测试数 12 错误测试数 8 总成本 $0.003 响应时间（平均） 377ms
#440	Clef Omni default	Cloudflare	1	0.2	$0.011	2/12	880ms
总测试数 12 错误测试数 10 总成本 $0.011 响应时间（平均） 880ms
#442	Step 3.5 Flash none	Stepfun	1	0.2	$0.020	6/12	39.0s
总测试数 12 错误测试数 6 总成本 $0.020 响应时间（平均） 39.0s
#445	LFM2-24B-A2B default	Liquid	1	0.2	$0.001	2/16	782ms
总测试数 16 错误测试数 14 总成本 $0.001 响应时间（平均） 782ms
#450	Nimble v3 9B default	Bespoke Labs	1	0.8	~$0.001	1/7	363ms
总测试数 7 错误测试数 6 总成本 ~$0.001 响应时间（平均） 363ms

←

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