टूल कॉलिंग x गलत उत्तर रैंकिंग

AI BENCHY श्रेणी विफलताएँ

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: सही परीक्षण ↓.

दिखाए गए मॉडल

कुल विफलताएँ

सबसे अधिक प्रभावित मॉडल

विफलता के कारण

API त्रुटि6 निर्देशों का पालन नहीं किया6 अमान्य टूल कॉल3 कोई उत्तर नहीं2 गलत उत्तर2

श्रेणियाँ

डोमेन-विशिष्ट182 एंटी-एआई ट्रिक्स165 पहेली समाधान85 निर्देश पालन44 संयुक्त37 कोडिंग28 डेटा पार्सिंग और निष्कर्षण19 Samanya Buddhimatta10 टूल कॉलिंग2

रैंक	मॉडल	कंपनी	गलत उत्तर संख्या	श्रेणी स्कोर	सही परीक्षण	प्रतिक्रिया समय (औसत)
#74	GLM 4.7 Flash none	Z.ai	1	2.8	0/1	7.05s
#95	Grok 4.1 Fast none	X AI	1	2.8	0/1	5.51s

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल