Peringkat Gabungan x Pemanggilan alat tidak valid

Lihat model AI mana yang paling mungkin mengalami Pemanggilan alat tidak valid di Gabungan, agar Anda bisa menemukan titik lemahnya lebih cepat. Urutkan berdasarkan: Tes benar ↑.

Model yang ditampilkan

Total kegagalan

180

Model yang paling terdampak

Muse Glimmer 30B 1

Alasan kegagalan

Pemanggilan alat tidak valid180 Jawaban salah128 Kesalahan API62 Tidak ada jawaban56 Kedaluwarsa11 Format tambahan1 Tidak mengikuti instruksi1

Kategori

Gabungan180 Tugas agen47 Pemanggilan alat11

157/157

Peringkat	Model	Perusahaan	Jumlah Pemanggilan alat tidak valid	Skor kategori	Total Biaya	Tes benar	Waktu respons (rata-rata)
#85	Muse Glimmer 30B xhigh	Meta	1	0.6	$0.585	0/2	272.7s
Total Tes 2 Tes Salah 2 Total Biaya $0.585 Waktu respons (rata-rata) 272.7s
#88	Muse Spark 1.1 high	Meta	2	0.6	$2.570	0/2	70.3s
Total Tes 2 Tes Salah 2 Total Biaya $2.570 Waktu respons (rata-rata) 70.3s
#177	Qwen3.6 27B medium	Qwen	2	0.7	$1.021	0/2	584.1s
Total Tes 2 Tes Salah 2 Total Biaya $1.021 Waktu respons (rata-rata) 584.1s
#180	GLM 5.3 FlashX medium	Z.ai	1	0.3	$0.114	0/2	16.0s
Total Tes 2 Tes Salah 2 Total Biaya $0.114 Waktu respons (rata-rata) 16.0s
#193	Muse Glimmer 30B low	Meta	1	0.4	$0.219	0/2	132.0s
Total Tes 2 Tes Salah 2 Total Biaya $0.219 Waktu respons (rata-rata) 132.0s
#197	Gemma 4 31B medium	Google	1	0.3	$0.144	0/2	433.1s
Total Tes 2 Tes Salah 2 Total Biaya $0.144 Waktu respons (rata-rata) 433.1s
#198	GPT-5.6 Luna low	OpenAI	1	0.3	$0.049	0/2	13.7s
Total Tes 2 Tes Salah 2 Total Biaya $0.049 Waktu respons (rata-rata) 13.7s
#203	Inkling low	Thinkingmachines	2	0.3	$0.293	0/2	22.7s
Total Tes 2 Tes Salah 2 Total Biaya $0.293 Waktu respons (rata-rata) 22.7s
#210	Qwen3.5-Flash none	Qwen	1	0.3	$0.089	0/2	243.6s
Total Tes 2 Tes Salah 2 Total Biaya $0.089 Waktu respons (rata-rata) 243.6s
#217	Apodex 1.1 Mini high	Apodex	1	0.4	$0.000	0/2	67.5s
Total Tes 2 Tes Salah 2 Total Biaya $0.000 Waktu respons (rata-rata) 67.5s
#218	GLM 5.3 Flash low	Z.ai	1	0.4	$0.038	0/2	54.7s
Total Tes 2 Tes Salah 2 Total Biaya $0.038 Waktu respons (rata-rata) 54.7s
#229	Qwen3.6 35B A3B medium	Qwen	1	0.3	$0.834	0/2	817.6s
Total Tes 2 Tes Salah 2 Total Biaya $0.834 Waktu respons (rata-rata) 817.6s
#230	Mercury 2.5 Preview high	Inception	1	0.4	$0.040	0/2	14.4s
Total Tes 2 Tes Salah 2 Total Biaya $0.040 Waktu respons (rata-rata) 14.4s
#233	GLM 5.3 low	Z.ai	1	0.4	$0.215	0/2	53.0s
Total Tes 2 Tes Salah 2 Total Biaya $0.215 Waktu respons (rata-rata) 53.0s
#234	GLM 5.1 none	Z.ai	1	0.3	$0.451	0/2	46.9s
Total Tes 2 Tes Salah 2 Total Biaya $0.451 Waktu respons (rata-rata) 46.9s

Filter model

Model teratas menurut Jumlah Pemanggilan alat tidak valid

Jumlah Pemanggilan alat tidak valid vs Skor

Model teratas menurut Waktu respons (rata-rata)

Model teratas menurut Perkiraan biaya terbuang

Gabungan: Pemanggilan alat tidak valid

Filter model

Model teratas menurut Jumlah Pemanggilan alat tidak valid

Jumlah Pemanggilan alat tidak valid vs Skor

Model teratas menurut Waktu respons (rata-rata)

Model teratas menurut Perkiraan biaya terbuang