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: Waktu respons (rata-rata) ↑.

Model yang ditampilkan

Total kegagalan

Model yang paling terdampak

Grok 4.1 Fast 1

Alasan kegagalan

Kesalahan API6 Tidak mengikuti instruksi6 Pemanggilan alat tidak valid3 Jawaban salah2 Tidak ada jawaban2

Kategori

Spesifik domain182 Trik anti-AI165 Pemecahan teka-teki85 Kepatuhan instruksi44 Gabungan37 Pemrograman28 Parsing dan ekstraksi data19 Kecerdasan umum10 Pemanggilan alat2

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

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