AI BENCHY श्रेणी विफलताएँ

टूल कॉलिंग

गलत उत्तर

देखें कि टूल कॉलिंग में किन AI मॉडलों में गलत उत्तर आने की सबसे अधिक संभावना है, ताकि आप कमजोरियाँ जल्दी पहचान सकें। क्रमबद्ध करें: प्रतिक्रिया समय (औसत) ↓.

दिखाए गए मॉडल

कुल विफलताएँ

सबसे अधिक प्रभावित मॉडल

GLM 4.7 Flash 1

संबंधित विफलता कारण

कोई उत्तर नहीं2 गलत उत्तर2 API त्रुटि1

संबंधित श्रेणियाँ

डोमेन-विशिष्ट98 पहेली समाधान55 एंटी-एआई ट्रिक्स53 निर्देश पालन26 संयुक्त21 डेटा पार्सिंग और निष्कर्षण14 Samanya Buddhimatta6 टूल कॉलिंग2

रैंक	मॉडल	कंपनी	गलत उत्तर संख्या	श्रेणी स्कोर	सही परीक्षण	प्रतिक्रिया समय (औसत)
#49	GLM 4.7 Flash none	Z.ai	1	10.0	0/1	7.05s
#53	Grok 4.1 Fast none	X AI	1	10.0	0/1	5.51s

टूल कॉलिंग

गलत उत्तर

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल

गलत उत्तर संख्या बनाम औसत स्कोर

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल

अनुमानित व्यर्थ लागत के अनुसार शीर्ष मॉडल