BenchLeader

IFEval (HELM) 排行榜

截至 2026年11月16日,IFEval (HELM) 的最高分为 95.1%,由 Grok 3 mini(SpaceXAI)取得,领先于 Grok 4(94.9%)。共有 68 个模型配置公布了结果(HELM Capabilities,结果日期 2025年11月24日)。IFEval 给模型附带可核验指令的写作任务:恰好写三段、不用字母 e、以指定短语结尾等。每条指令都能用程序检查,所以不需要评审模型。IFEval (HELM) 计入 BenchLeader Index 的指令遵循得分。

要点(截至 2026年11月16日)

  • Grok 3 mini 以 95.1% 保持 IFEval (HELM) 最高分(HELM Capabilities,2025年11月24日)。
  • Grok 4 以 94.9% 位列 IFEval (HELM) 第二(HELM Capabilities,2025年11月24日)。
  • IFEval (HELM):针对可验证约束的严格指令遵循。由斯坦福 CRFM 的 HELM 运行(HELM Capabilities)。
  • BenchLeader 上有 68 个模型配置公布了 IFEval (HELM) 结果(BenchLeader,2026年11月16日)。
  • IFEval (HELM) 计入 BenchLeader Index 的指令遵循类别(BenchLeader 方法论)。

针对可验证约束的严格指令遵循。由斯坦福 CRFM 的 HELM 运行。

发布方
HELM Capabilities
类别
指令遵循
Index 权重
1.0
模型
68
数据截至
2026年11月16日

Stanford Center for Research on Foundation Models (crfm.stanford.edu), Apache-2.0 results.

测试内容

IFEval 给模型附带可核验指令的写作任务:恰好写三段、不用字母 e、以指定短语结尾等。每条指令都能用程序检查,所以不需要评审模型。

评分方式

严格准确率:完全满足的指令比例,由 Stanford CRFM 的 HELM 在其固定测试框架中运行。

注意事项

它检查的是规则有没有遵守,而不是文字写得好不好,而且这些约束是人为设定的。对前沿模型已接近饱和,主要用于区分中游模型。

68 / 68
#
1Grok 3 mini95.1%52.02025-11-24
2Grok 494.9%58.12025-11-24
3GPT-5.193.5%56.12025-11-24
4GPT-5 nano93.2%56.22025-11-24
5o4-mini92.9%55.22025-11-24
6GPT-5 mini92.7%56.62025-11-24
7Claude Opus 491.8%51.92025-11-24
8Llama 4 Maverick90.8%41.82025-11-24
9GPT-4.1 mini90.4%44.72025-11-24
10Gemini 2.5 Flash89.8%52.42025-11-24
11Granite 4.0 Small89.0%–2025-11-24
12Grok 388.4%50.92025-11-24
13Gemini 3 Pro87.6%60.02025-11-24
14Mistral Large 2.187.6%42.52025-11-24
15GPT-587.5%56.62025-11-24
16Palmyra X 00487.2%–2025-11-24
17o386.9%60.42025-11-24
18Claude 3.5 Sonnet85.6%46.82025-11-24
19Claude Sonnet 4.585.0%53.82025-11-24
20Kimi K285.0%51.12025-11-24
21Claude Opus 4thinking84.9%55.72025-11-24
22granite-4.0-micro84.9%36.22025-11-24
23GPT-4.1 nano84.3%36.92025-11-24
24Gemini 2.0 Flash84.1%43.52025-11-24
25Gemini 2.5 Pro84.0%55.22025-11-24
26Claude Sonnet 4thinking84.0%53.82025-11-24
27Claude Sonnet 483.9%50.02025-11-24
28GPT-4.183.8%48.72025-11-24
29Gemini 1.5 Pro 00283.7%41.42025-11-24
30gpt-oss-120b83.6%46.12025-11-24
31Qwen3 235B A22B 250783.5%50.72025-11-24
32Claude 3.7 Sonnet83.4%49.22025-11-24
33DeepSeek V383.2%44.32025-11-24
34Gemini 1.5 Flash 00283.1%38.22025-11-24
35Gemini 2.0 Flash-Lite82.4%48.02025-11-24
36Palmyra X582.3%–2025-11-24
37Llama 3.1 70B82.1%40.72025-11-24
38Llama 4 Scout81.8%38.22025-11-24
39GPT-4o81.7%42.82025-11-24
40Qwen3 235B A22B81.6%50.12025-11-24
41Nova Pro81.5%40.52025-11-24
42GLM-4.5-Air81.2%46.72025-11-24
43Llama 3.1 405B81.1%41.82025-11-24
44Qwen3-Next 80B A3Bthinking81.0%52.22025-11-24
45Gemini 2.5 Flash-Lite81.0%48.32025-11-24
46Qwen2.5 72B80.6%43.12025-11-24
47Nova Premier80.3%45.12025-11-24
48Claude Haiku 4.580.1%47.72025-11-24
49Palmyra Fin79.3%–2025-11-24
50Claude 3.5 Haiku79.2%38.72025-11-24
51DeepSeek R1 052878.4%49.12025-11-24
52GPT-4o mini78.2%35.22025-11-24
53Olmo 2 32B March 202578.0%–2025-11-24
54Nova Lite77.6%38.22025-11-24
55Palmyra Med76.7%–2025-11-24
56Nova Micro76.0%39.22025-11-24
57Mistral Small 3.175.0%38.42025-11-24
58Llama 3.1 8B74.3%33.02025-11-24
59Qwen2.5 7B Instruct74.1%39.82025-11-24
60gpt-oss-20b73.2%44.52025-11-24

更多指令遵循基准测试 · 全部大模型基准测试

引用格式:BenchLeader,《IFEval (HELM) 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/helm_ifeval。

IFEval (HELM):常见问题

IFEval (HELM) 衡量的是什么?
IFEval 给模型附带可核验指令的写作任务:恰好写三段、不用字母 e、以指定短语结尾等。每条指令都能用程序检查,所以不需要评审模型。分数以完成任务的百分比表示,越高越好。
IFEval (HELM) 的最高分是多少?
截至 2026年11月16日,IFEval (HELM) 的最高分为 95.1%,由 Grok 3 mini 取得(结果日期 2025年11月24日),领先于 Grok 4(94.9%)。分数来自 HELM Capabilities,每天重新读取。
哪个 AI 模型在 IFEval (HELM) 上领先?
截至 2026年11月16日,IFEval (HELM) 排名第一的是 Grok 3 mini,分数为 95.1%(结果日期 2025年11月24日)。其后为 Grok 4(94.9%)。
有多少模型有 IFEval (HELM) 结果?
BenchLeader 上有 68 个模型配置有 IFEval (HELM) 结果,全部取自 HELM Capabilities。
IFEval (HELM) 由谁运行,多久更新一次?
IFEval (HELM) 由 HELM Capabilities 发布。BenchLeader 每天重新读取一次公布的结果,并记录每个结果的发布日期。
IFEval (HELM) 是否计入 BenchLeader Index?
计入。IFEval (HELM) 计入 BenchLeader Index 的指令遵循类别,并经过归一化,使参评模型的平均值为 50。