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。
- 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。
- 1Grok 3 mini95.1%
- 2Grok 494.9%
- 3GPT-5.193.5%
- 4GPT-5 nano93.2%
- 5o4-mini92.9%
- 6GPT-5 mini92.7%
- 7Claude Opus 491.8%
- 8Llama 4 Maverick90.8%
- 9GPT-4.1 mini90.4%
- 10Gemini 2.5 Flash89.8%
- 11Granite 4.0 Small89.0%
- 12Grok 388.4%
- 13Gemini 3 Pro87.6%
- 14Mistral Large 2.187.6%
- 15GPT-587.5%
68 / 68
| # | ||||
|---|---|---|---|---|
| 1 | 95.1% | 52.0 | 2025-11-24 | |
| 2 | 94.9% | 58.1 | 2025-11-24 | |
| 3 | 93.5% | 56.1 | 2025-11-24 | |
| 4 | 93.2% | 56.2 | 2025-11-24 | |
| 5 | 92.9% | 55.2 | 2025-11-24 | |
| 6 | 92.7% | 56.6 | 2025-11-24 | |
| 7 | 91.8% | 51.9 | 2025-11-24 | |
| 8 | 90.8% | 41.8 | 2025-11-24 | |
| 9 | 90.4% | 44.7 | 2025-11-24 | |
| 10 | 89.8% | 52.4 | 2025-11-24 | |
| 11 | 89.0% | – | 2025-11-24 | |
| 12 | 88.4% | 50.9 | 2025-11-24 | |
| 13 | 87.6% | 60.0 | 2025-11-24 | |
| 14 | 87.6% | 42.5 | 2025-11-24 | |
| 15 | 87.5% | 56.6 | 2025-11-24 | |
| 16 | 87.2% | – | 2025-11-24 | |
| 17 | 86.9% | 60.4 | 2025-11-24 | |
| 18 | 85.6% | 46.8 | 2025-11-24 | |
| 19 | 85.0% | 53.8 | 2025-11-24 | |
| 20 | 85.0% | 51.1 | 2025-11-24 | |
| 21 | 84.9% | 55.7 | 2025-11-24 | |
| 22 | 84.9% | 36.2 | 2025-11-24 | |
| 23 | 84.3% | 36.9 | 2025-11-24 | |
| 24 | 84.1% | 43.5 | 2025-11-24 | |
| 25 | 84.0% | 55.2 | 2025-11-24 | |
| 26 | 84.0% | 53.8 | 2025-11-24 | |
| 27 | 83.9% | 50.0 | 2025-11-24 | |
| 28 | 83.8% | 48.7 | 2025-11-24 | |
| 29 | 83.7% | 41.4 | 2025-11-24 | |
| 30 | 83.6% | 46.1 | 2025-11-24 | |
| 31 | 83.5% | 50.7 | 2025-11-24 | |
| 32 | 83.4% | 49.2 | 2025-11-24 | |
| 33 | 83.2% | 44.3 | 2025-11-24 | |
| 34 | 83.1% | 38.2 | 2025-11-24 | |
| 35 | 82.4% | 48.0 | 2025-11-24 | |
| 36 | 82.3% | – | 2025-11-24 | |
| 37 | 82.1% | 40.7 | 2025-11-24 | |
| 38 | 81.8% | 38.2 | 2025-11-24 | |
| 39 | 81.7% | 42.8 | 2025-11-24 | |
| 40 | 81.6% | 50.1 | 2025-11-24 | |
| 41 | 81.5% | 40.5 | 2025-11-24 | |
| 42 | 81.2% | 46.7 | 2025-11-24 | |
| 43 | 81.1% | 41.8 | 2025-11-24 | |
| 44 | 81.0% | 52.2 | 2025-11-24 | |
| 45 | 81.0% | 48.3 | 2025-11-24 | |
| 46 | 80.6% | 43.1 | 2025-11-24 | |
| 47 | 80.3% | 45.1 | 2025-11-24 | |
| 48 | 80.1% | 47.7 | 2025-11-24 | |
| 49 | 79.3% | – | 2025-11-24 | |
| 50 | 79.2% | 38.7 | 2025-11-24 | |
| 51 | 78.4% | 49.1 | 2025-11-24 | |
| 52 | 78.2% | 35.2 | 2025-11-24 | |
| 53 | 78.0% | – | 2025-11-24 | |
| 54 | 77.6% | 38.2 | 2025-11-24 | |
| 55 | 76.7% | – | 2025-11-24 | |
| 56 | 76.0% | 39.2 | 2025-11-24 | |
| 57 | 75.0% | 38.4 | 2025-11-24 | |
| 58 | 74.3% | 33.0 | 2025-11-24 | |
| 59 | 74.1% | 39.8 | 2025-11-24 | |
| 60 | 73.2% | 44.5 | 2025-11-24 |
相关基准测试
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。