Peringkat Pemanggilan alat x Jawaban salah

Kegagalan kategori AI BENCHY

Lihat model AI mana yang paling mungkin mengalami Jawaban salah di Pemanggilan alat, agar Anda bisa menemukan titik lemahnya lebih cepat. Urutkan berdasarkan: Jumlah kegagalan ↑.

Model yang ditampilkan

Total kegagalan

Model yang paling terdampak

GLM 4.7 Flash 1

Alasan kegagalan

Kesalahan API15 Pemanggilan alat tidak valid7 Tidak mengikuti instruksi6 Jawaban salah2 Tidak ada jawaban2

Kategori

Spesifik domain314 Trik anti-AI245 Pemrograman194 Pemecahan teka-teki147 Pengetahuan umum130 Kepatuhan instruksi53 Gabungan52 Parsing dan ekstraksi data35 Kecerdasan umum32 Pemanggilan alat2

Peringkat	Model	Perusahaan	Jumlah Jawaban salah	Skor kategori	Tes benar	Waktu respons (rata-rata)
#122	GLM 4.7 Flash none	Z.ai	1	2.8	0/1	7.05s
#157	Grok 4.1 Fast none	X AI	1	2.8	0/1	5.51s

Model teratas menurut Jumlah Jawaban salah

Jumlah Jawaban salah vs Skor

Model teratas menurut Waktu respons (rata-rata)

Model teratas menurut Perkiraan biaya terbuang

Pemanggilan alat: Jawaban salah

Model teratas menurut Jumlah Jawaban salah

Jumlah Jawaban salah vs Skor

Model teratas menurut Waktu respons (rata-rata)

Model teratas menurut Perkiraan biaya terbuang