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
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 76 个暂定模型。它们可用于观察，但不能当成正式名次。
当前可用榜单数据
- 收录模型
- 91
- 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 | |
|---|---|---|---|---|---|---|---|---|
| IFEval16 个模型 | AA-IFBench85 个模型 | IFBench5 个模型 | ||||||
| 估算模型（不排名）15 | ||||||||
| — | ||||||||
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。
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 1 个 Benchmark 列提供这个维度的证据。
- 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 2 个 Benchmark 列提供这个维度的证据。
- AA-IFBench
- 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、IFBench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。
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 76 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。