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.

Model yang ditampilkan

Total kegagalan

180

Model yang paling terdampak

Muse Spark 1.1 2

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)
#133	DeepSeek V4 Flash 0731 medium	DeepSeek	1	0.7	$0.460	1/2	150.6s
Total Tes 2 Tes Salah 1 Total Biaya $0.460 Waktu respons (rata-rata) 150.6s
#152	Qwen3.6 Flash medium	Qwen	1	0.7	$0.783	1/2	299.2s
Total Tes 2 Tes Salah 1 Total Biaya $0.783 Waktu respons (rata-rata) 299.2s
#158	DeepSeek V4 Pro 0423 none	DeepSeek	1	0.8	$0.083	1/2	71.6s
Total Tes 2 Tes Salah 1 Total Biaya $0.083 Waktu respons (rata-rata) 71.6s
#160	Gemma 4 26B A4B medium	Google	1	0.6	$0.101	1/2	492.9s
Total Tes 2 Tes Salah 1 Total Biaya $0.101 Waktu respons (rata-rata) 492.9s
#161	GLM 5.3 Flash high	Z.ai	1	0.6	$0.056	1/2	91.1s
Total Tes 2 Tes Salah 1 Total Biaya $0.056 Waktu respons (rata-rata) 91.1s
#167	Gemini 3.5 Flash Lite medium	Google	1	0.7	$0.440	1/2	17.9s
Total Tes 2 Tes Salah 1 Total Biaya $0.440 Waktu respons (rata-rata) 17.9s
#169	Qwen3.5 Plus 2026-02-15 medium	Qwen	1	0.7	$0.567	1/2	175.8s
Total Tes 2 Tes Salah 1 Total Biaya $0.567 Waktu respons (rata-rata) 175.8s
#170	Qwen3.8 27B medium	Qwen	1	0.9	~$0.073	1/2	124.5s
Total Tes 2 Tes Salah 1 Total Biaya ~$0.073 Waktu respons (rata-rata) 124.5s
#173	Qwen3.7 Flash high	Qwen	1	0.7	$0.063	1/2	232.0s
Total Tes 2 Tes Salah 1 Total Biaya $0.063 Waktu respons (rata-rata) 232.0s
#176	Step 3.7 Flash low	Stepfun	1	0.7	$0.449	1/2	66.2s
Total Tes 2 Tes Salah 1 Total Biaya $0.449 Waktu respons (rata-rata) 66.2s
#178	Claude Opus 5 none	Anthropic	1	0.8	$2.766	1/2	30.5s
Total Tes 2 Tes Salah 1 Total Biaya $2.766 Waktu respons (rata-rata) 30.5s
#179	Qwen3.8 Flash Next xhigh	Qwen	1	0.7	~$0.195	1/2	92.2s
Total Tes 2 Tes Salah 1 Total Biaya ~$0.195 Waktu respons (rata-rata) 92.2s
#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
#181	Minimax M3.1 Flash low	Minimax	1	0.7	$0.000	1/2	20.6s
Total Tes 2 Tes Salah 1 Total Biaya $0.000 Waktu respons (rata-rata) 20.6s
#182	MiMo-V2.6-Flash low	Xiaomi	1	0.7	$0.200	1/2	20.8s
Total Tes 2 Tes Salah 1 Total Biaya $0.200 Waktu respons (rata-rata) 20.8s

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 terbuangPerkiraan hanya mencakup listrik GPU. Komponen komputer lain dan biaya kepemilikan perangkat keras tidak termasuk. NVIDIA GeForce RTX 3090: 0.7349 h × 0.300 kW × €0.2896/kWh × 1.138 USD/EUR = ~$0.072660.

Model teratas menurut Perkiraan biaya terbuang