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: सही परीक्षण ↓.

दिखाए गए मॉडल

कुल विफलताएँ

सबसे अधिक प्रभावित मॉडल

संबंधित विफलता कारण

कोई उत्तर नहीं2 गलत उत्तर2 API त्रुटि1

संबंधित श्रेणियाँ

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

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल