使用IFEval基准测试对AI模型的指令遵循准确性进行排名。
GPT-5.4
评分: 93.5
85.2
所有排名模型
39
有基准测试数据
Top Best for Instructions Models by Weighted Score
Top 15 models by weighted score
| # | 模型 | 评分 |
|---|---|---|
| 1 | GPT-5.4OpenAI | 93.5 |
| 2 | GPT-5.2OpenAI | 93 |
| 3 | Claude Opus 4.6Anthropic | 92.8 |
| 4 | GPT-5.1OpenAI | 92.5 |
| 5 | Claude 3.7 SonnetAnthropic | 92.3 |
| 6 | Llama 3.3 70B InstructMeta | 92.1 |
| 7 | GPT-5OpenAI | 92 |
| 8 | o3OpenAI | 92 |
| 9 | Claude Opus 4.5Anthropic | 91.5 |
| 10 | Gemini 3 Flash PreviewGoogle | 91 |
| 11 | Claude Sonnet 4.6Anthropic | 91 |
| 12 | Grok 4xAI | 91 |
| 13 | Claude Sonnet 4Anthropic | 90.8 |
| 14 | Claude Opus 4Anthropic | 90.5 |
| 15 | Claude Sonnet 4.5Anthropic | 90.2 |
| 16 | o3 MiniOpenAI | 90.2 |
| 17 | o4 MiniOpenAI | 90 |
| 18 | DeepSeek V3 0324DeepSeek | 89 |
| 19 | GPT-4.1OpenAI | 88.2 |
| 20 | Grok 3xAI | 88 |
| 21 | Llama 4 MaverickMeta | 88 |
| 22 | Gemini 2.5 ProGoogle | 87.2 |
| 23 | DeepSeek V3DeepSeek | 87.1 |
| 24 | Mistral LargeMistral AI | 86.5 |
| 25 | o1OpenAI | 86.5 |
| 26 | R1 0528DeepSeek | 85.5 |
| 27 | Gemini 2.5 FlashGoogle | 85.5 |
| 28 | GPT-4oOpenAI | 84.3 |
| 29 | Claude Haiku 4.5Anthropic | 84 |
| 30 | Llama 3.1 70B InstructMeta | 83.6 |
| 31 | R1DeepSeek | 83.3 |
| 32 | Gemini 2.0 FlashGoogle | 82 |
| 33 | GPT-4o-miniOpenAI | 80.4 |
| 34 | Phi 4Microsoft | 80.1 |
| 35 | Command R7B (12-2024)Cohere | 77.1 |
| 36 | Qwen2.5 7B InstructAlibaba | 75.9 |
| 37 | Llama 3.1 8B InstructMeta | 72.1 |
| 38 | Llama 3.2 3B InstructMeta | 68.5 |
| 39 | Llama 3 8B InstructMeta | 24 |
每个模型的评分是其可用基准测试结果的加权平均值。当模型缺少某些基准测试时,权重会在可用的基准测试之间重新归一化。 所有评分均为0-100的刻度。数据来源于官方模型卡片、已发表论文和第三方评估平台。
根据我们的基准测试分析,OpenAI的GPT-5.4目前在Instructions领域排名第一,加权评分为93.5/100。
模型使用IFEval基准测试分数的加权平均进行排名。所有分数均归一化到0-100的刻度。
我们目前对39个拥有相关基准测试数据的模型进行了Instructions任务排名。