分类分数 V3 排行榜
LMSpeed 指令遵循能力最强的 AI 模型
使用当前运行中的全部有效 Benchmark，对比模型的约束遵循、结构化输出、新指令泛化和多轮长指令能力。
方法论 3.0查看方法论
当前结论
当前还没有模型满足正式排名规则。下表有 15 个估算模型和 85 个暂定模型。它们可用于观察，但不能当成正式名次。
排名会随新数据和方法更新。页面顶部显示本次运行日期。
当前可用榜单数据
- 收录模型
- 100
- 正式排名模型
- 0
- Benchmark 列
- 3
- 已有证据的维度
- 2/4
如何阅读 Benchmark 进度条
每个进度条只用于比较同一 Benchmark 列中的模型，长度相对于当前榜单展示的模型计算；它不是分类分数，也不能跨 Benchmark 列比较。
| 排名 | 模型 | LMSpeed 分类分 | 约束遵循 | 新指令泛化 | 评级 | 证据覆盖 | 更新时间 | |
|---|---|---|---|---|---|---|---|---|
| BenchLM Instruction Following score17 个模型 | IFEval16 个模型 | AA-IFBench87 个模型 | ||||||
| 估算模型（不排名）15 | ||||||||
| — | Qwen3.5-27BQwen | 57.4±11.9 | — | 95.0 | 75.6 | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | Qwen3.7 MaxQwen | 57.2±11.9 | — | 94.3 | 80.5 | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | Qwen3.7 PlusQwen | 57.1±11.9 | — | 94.6 | 78.0 | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | Qwen3.6 PlusQwen | 56±11.9 | — | 94.3 | 75.2 | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | Qwen3.5-122B-A10BQwen | 54.5±11.9 | — | 93.4 | 75.7 | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | Kimi K2.5MoonshotAI | 54.3±11.9 | — | 93.9 | 70.2 | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | Qwen3.5 | 54±11.9 | — | 92.6 | 78.8 | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | GLM-5Z.ai | 52.7±11.9 | — | 92.6 | 72.3 | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | Qwen3.5-35B-A3BQwen | 51.7±11.9 | — | 91.9 | 72.5 | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | O1OpenAI | 51.7±11.9 | — | 92.2 | 70.3 | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | Claude Opus 4.5Anthropic | 45.7±11.9 | — | 90.9 | 43.0 | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | GPT-4.1 MiniOpenAI | 42.4±11.9 | — | 88.5 | 38.3 | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | GPT-4.1OpenAI | 42.1±11.9 | — | 87.4 | 43.0 | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | DeepSeek V3 | 39.7±11.9 | — | 86.1 | 34.8 | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | GPT-4.1 NanoOpenAI | 37±11.9 | — | 83.2 | 32.0 | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| 暂定模型（不排名）85 | ||||||||
| — | Grok 4.20 Multi AgentxAI | 61.8±16.3 | 93.3 | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Grok 4.20xAI | 60.3±16.3 | 89.5 | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.4 ProOpenAI | 60.1±16.3 | 88.9 | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude Fable 5Anthropic | 59.8±16.3 | 88.3 | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | MiniMax M3MiniMax | 58.6±16.0 | — | — | 82.9 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Grok 4.3xAI | 57.7±16.0 | — | — | 81.3 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | MiMo-V2.5-ProXiaomi | 57±16.0 | — | — | 79.9 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude Sonnet 4.5Anthropic | 56.3±16.3 | 79.5 | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.2 CodexOpenAI | 56±16.0 | — | — | 77.6 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Gemini 3.1 Flash LiteGoogle | 55.8±16.0 | — | — | 77.2 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Gemini 3.1 ProGoogle | 55.8±16.0 | — | — | 77.1 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Qwen3.6 Max PreviewQwen | 55.6±16.0 | — | — | 76.6 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | O3 MiniOpenAI | 55.6±16.3 | — | 93.9 | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GLM-5.1Z.ai | 55.4±16.0 | — | — | 76.3 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Gemini 3.5 FlashGoogle | 55.4±16.0 | — | — | 76.3 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Kimi K2.6MoonshotAI | 55.3±16.0 | — | — | 76.0 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.4 NanoOpenAI | 55.3±16.0 | — | — | 75.9 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.5OpenAI | 55.3±16.0 | — | — | 75.9 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | MiniMax M2.7MiniMax | 55.2±16.0 | — | — | 75.7 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.3 CodexOpenAI | 55.1±16.0 | — | — | 75.4 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.2OpenAI | 55.1±16.0 | — | — | 75.4 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Qwen3 | 55±16.3 | 76.3 | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.4OpenAI | 54.5±16.0 | — | — | 73.9 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Command ACohere | 54.5±16.0 | — | — | 73.9 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | DeepSeek V4 FlashDeepSeek | 54.3±16.0 | — | — | 73.5 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.4 MiniOpenAI | 54.2±16.0 | — | — | 73.3 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GLM-5.2Z.ai | 54.2±16.0 | — | — | 73.3 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GLM-5 TurboZ.ai | 54.2±16.0 | — | — | 73.2 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.1OpenAI | 54.1±16.0 | — | — | 72.9 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.6 SolOpenAI | 54±16.0 | — | — | 72.7 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | O3OpenAI | 53.5±16.0 | — | — | 71.4 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | DeepSeek V4 ProDeepSeek | 53.5±16.0 | — | — | 71.3 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.6 TerraOpenAI | 53.4±16.0 | — | — | 71.2 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5OpenAI | 53.2±16.0 | — | — | 70.6 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Gemini 3 ProGoogle | 53.1±16.0 | — | — | 70.4 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.1 Codex MaxOpenAI | 53±16.0 | — | — | 70.0 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.1 CodexOpenAI | 53±16.0 | — | — | 70.0 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | gpt-oss-120bOpenAI | 52.6±16.0 | — | — | 69.0 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | MiMo-V2-Pro | 52.5±16.0 | — | — | 68.8 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Mistral Medium 3.5Mistral | 52.5±16.0 | — | — | 68.8 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude Haiku 4.5Anthropic | 52.4±16.3 | 69.7 | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GLM-4.7Z.ai | 52.2±16.0 | — | — | 67.9 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Qwen3.6 27BQwen | 52.1±16.0 | — | — | 67.6 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Step 3.7 FlashStepFun | 52±16.0 | — | — | 67.3 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | gpt-oss-20bOpenAI | 51.3±16.0 | — | — | 65.1 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Qwen3.6 35B A3BQwen | 51±16.0 | — | — | 64.4 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Hy3Tencent | 50.6±16.0 | — | — | 63.1 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Kimi K2.7 CodeMoonshotAI | 50.6±16.0 | — | — | 63.1 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Hy3 previewTencent | 50.6±16.0 | — | — | 63.1 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude Opus 4.8Anthropic | 50.3±16.0 | — | — | 62.2 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GLM-5V TurboZ.ai | 49.9±16.0 | — | — | 61.1 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude Opus 4.1Anthropic | 49.5±16.3 | 62.4 | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude 3.5 SonnetAnthropic | 49.5±16.3 | 62.4 | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | o4 Mini HighOpenAI | 49.5±16.3 | 62.4 | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude Opus 4.7 MaxAnthropic | 49.2±16.0 | — | — | 58.6 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Ling 2.6 FlashinclusionAI | 48.8±16.0 | — | — | 57.4 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | O3 ProOpenAI | 48.5±16.3 | 59.9 | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Trinity Large ThinkingArcee AI | 48.4±16.0 | — | — | 56.3 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Gemini 3 FlashGoogle | 48.1±16.0 | — | — | 55.1 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | MiMo-V2-Omni | 47.6±16.0 | — | — | 53.5 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-4 TurboOpenAI | 46.5±16.3 | 55.1 | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | DeepSeek V3.2DeepSeek | 46.2±16.0 | — | — | 49.0 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Gemini 2.5 ProGoogle | 46.1±16.0 | — | — | 48.7 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude Sonnet 4Anthropic | 45.1±16.0 | — | — | 45.4 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude Opus 4.6Anthropic | 44.8±16.0 | — | — | 44.6 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Qwen3 MaxQwen | 44.7±16.0 | — | — | 44.1 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude Opus 4.7Anthropic | 44.5±16.0 | — | — | 43.6 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Llama 4 MaverickMeta | 44.3±16.0 | — | — | 43.0 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Kimi K2MoonshotAI | 43.9±16.0 | — | — | 41.5 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Qwen3.5 Flash | 43.9±16.3 | 48.4 | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude Sonnet 4.6Anthropic | 43.8±16.0 | — | — | 41.2 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Gemini 1.5 ProGoogle | 43.6±16.3 | 47.7 | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude 3 OpusAnthropic | 43.6±16.3 | 47.7 | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | MiMo-V2-Flash | 43.4±16.0 | — | — | 39.9 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | DeepSeek R1DeepSeek | 43.3±16.0 | — | — | 39.6 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Llama 4 ScoutMeta | 43.2±16.0 | — | — | 39.5 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Mistral Medium 3Mistral | 43.2±16.0 | — | — | 39.3 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Gemini 2.5 FlashGoogle | 43.1±16.0 | — | — | 39.0 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Llama 3.1Meta | 43.1±16.0 | — | — | 39.0 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | DeepSeek V3.1DeepSeek | 42.7±16.0 | — | — | 37.8 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GLM-4.5 AirZ.ai | 42.6±16.0 | — | — | 37.6 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GLM-4.6Z.ai | 42.3±16.0 | — | — | 36.7 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Mistral Large 3 | 42.2±16.0 | — | — | 36.2 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude 3 HaikuAnthropic | 42.1±16.0 | — | — | 36.1 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-4oOpenAI | 41.5±16.0 | — | — | 34.3 | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
这个榜单衡量什么
哪个 AI 模型更能按要求完成任务
这类榜单关注约束遵循、结构化输出、新指令理解和长对话执行。当前运行可能只覆盖其中部分维度。
当前可用数据覆盖 2/4 个维度，并展示 3 个 Benchmark 列。
四个能力维度
四个维度来自分类蓝图。当前可用数据可能只覆盖其中一部分。没有证据的维度不会被写成已验证能力。
约束遵循
当前有 2 个 Benchmark 列提供这个维度的证据。
- BenchLM Instruction Following score
- IFEval
结构化输出
当前可用数据还没有这个维度的合格证据。它不会进入分类分计算。
新指令泛化
当前有 1 个 Benchmark 列提供这个维度的证据。
- AA-IFBench
多轮与长指令
当前可用数据还没有这个维度的合格证据。它不会进入分类分计算。
适合参考的指令遵循任务
- JSON 和固定格式输出。模型需要稳定满足字段和格式要求。
- 规则严格的工作流。模型需要同时遵守多个限制和安全规则。
- 多轮任务助手。模型需要记住前文要求，并在长对话中继续执行。
如何用这张榜单选择模型
- 第 1 步
先确认评级状态
只有正式评级模型才有名次。估算和暂定模型没有正式名次。
- 第 2 步
再看评分区间和证据
分数接近时，不要只看名次。还要查看不确定性、维度覆盖和 Benchmark 数量。
- 第 3 步
最后用真实任务测试
榜单不能替代你的测试。请同时检查质量、速度、价格、上下文和供应商限制。
用真实格式和规则测试模型。还要检查重试率、长上下文稳定性、速度和成本。
评级状态说明
正式评级
正式评级表示证据和重叠条件已满足。模型可以进入排名。
估算
估算表示已有部分证据，但还不满足正式排名条件。
暂定
暂定表示证据较少，或维度与 Benchmark family 覆盖还不满足估算条件。结果只适合早期观察。
Benchmark 与证据来源
证据来源名称和 Benchmark 分组来自当前可用评分数据。一个来源可以提供多个 Benchmark。
BenchLM
AA-IFBench、BenchLM Instruction Following score和IFEval
指令遵循模型排行榜如何生成
LMSpeed 将合格的第三方 Benchmark 先归入四个固定能力维度。Rated 模型满足正式排名所需的证据覆盖与重叠校准要求；Estimated 与 Provisional 模型继续展示，但不授予名次。
阅读分类分数方法论榜单限制
分类分来自当前收录的第三方 Benchmark。不同测试可能使用不同数据、提示和评分规则。榜单不代表永久结论，也不能代表每个真实任务。重要选择仍要用自己的数据和流程测试。
常见问题
当前可见模型中谁的正式名次最高
当前没有正式第一名。页面有 15 个估算模型和 85 个暂定模型。它们没有正式名次，不能当成冠军。
不同分类的分数可以直接比较吗
不可以。每个分类使用不同的能力维度和证据。分类分只适合在同一张榜单内比较。需要比较不同任务时，请分别查看对应分类。
估算和暂定模型值得看吗
可以把它们当成候选模型。它们的证据还不够完整，所以没有正式名次。先看证据覆盖和不确定性，再用真实任务测试。
榜单多久更新一次
新的完整评分运行发布后，榜单会更新。页面顶部会显示当前运行日期和方法版本。LMSpeed 不保证固定的日更或周更时间。
排名第一就是最适合我的模型吗
不一定。你的任务还会受到速度、价格、上下文长度、工具支持、地区和供应商限制影响。榜单用于缩小范围，不能替代真实测试。
指令遵循分高就不需要结果校验吗
仍然需要。高分只表示当前 Benchmark 表现较好。生产任务还应检查格式、内容、安全规则和重试情况，并处理无效输出。