AI BENCHY श्रेणी
टूल कॉलिंग रैंकिंग
देखें कि टूल कॉलिंग में कौन से AI मॉडल सबसे अच्छा प्रदर्शन करते हैं, कौन से भरोसेमंद बने रहते हैं और सबसे बड़े अंतर कहाँ दिखाई देते हैं। क्रमबद्ध करें: प्रतिक्रिया समय (औसत) ↓.
| रैंक | मॉडल | कंपनी | टूल कॉलिंग स्कोर | स्कोर | सही परीक्षण | प्रतिक्रिया समय (औसत) |
|---|---|---|---|---|---|---|
| #5 | Qwen3.7 Max medium | Qwen | 10.0 | 9.1 | 1/1 | 6.63s |
| #53 | Gemini 3.1 Flash Lite high | 10.0 | 7.3 | 1/1 | 6.44s | |
| #15 | GPT-5.3-Codex medium | OpenAI | 10.0 | 8.4 | 1/1 | 6.37s |
| #92 | Laguna M.1 medium | Poolside | 10.0 | 6.4 | 1/1 | 6.31s |
| #28 | Gemini 2.5 Flash medium | 10.0 | 7.8 | 1/1 | 6.20s | |
| #116 | Hunter Alpha none | OpenRouter | 10.0 | 5.7 | 1/1 | 6.02s |
| #113 | DeepSeek V4 Pro none | DeepSeek | 10.0 | 5.7 | 1/1 | 5.92s |
| #26 | Qwen3.6 Plus medium | Qwen | 10.0 | 7.9 | 1/1 | 5.87s |
| #93 | Qwen3.6 Plus Preview medium | Qwen | 10.0 | 6.3 | 1/1 | 5.87s |
| #61 | Gemini 3.1 Flash Lite low | 10.0 | 7.2 | 1/1 | 5.66s | |
| #157 | Grok 4.1 Fast none | X AI | 2.8 | 4.4 | 0/1 | 5.51s |
| #101 | Mimo V2 Omni none | Xiaomi | 10.0 | 6.0 | 1/1 | 5.40s |
| #68 | Claude Opus 4.8 none | Anthropic | 10.0 | 7.0 | 1/1 | 5.35s |
| #74 | Qwen3.6 Max Preview none | Qwen | 10.0 | 6.9 | 1/1 | 5.27s |
| #16 | Gemini 3 Flash Preview low | 10.0 | 8.4 | 1/1 | 4.99s |