AI BENCHY
Advertise here

Kategori AI BENCHY

Peringkat Pemanggilan alat

Lihat model AI mana yang paling baik di Pemanggilan alat, mana yang tetap andal, dan di mana kesenjangan terbesar muncul. Urutkan berdasarkan: Tes benar ↑.

Model yang ditampilkan

15

Rata-rata Skor Pemanggilan alat

8.7

Model terbaik

Grok 4.20 Beta 3.0

Alasan kegagalan

Dengan alasan kegagalan Kesalahan API15 Dengan alasan kegagalan Pemanggilan alat tidak valid7 Dengan alasan kegagalan Tidak mengikuti instruksi6 Dengan alasan kegagalan Jawaban salah2 Dengan alasan kegagalan Tidak ada jawaban2
Peringkat Model Perusahaan Skor Pemanggilan alat Skor Tes benar Waktu respons (rata-rata)
#160 LFM2-24B-A2B none Liquid 3.0 4.2 0/1 0ms
#162 Nemotron 3 Nano Omni 30b A3b Reasoning none NVIDIA 3.0 4.1 0/1 0ms
#1 Gemini 3 Flash Preview medium Google 10.0 9.8 1/1 12.6s
#2 Gemini 3.5 Flash high Google 9.8 9.6 1/1 4.96s
#3 Gemini 3.5 Flash low Google 10.0 9.4 1/1 3.27s
#4 Gemini 3.1 Pro Preview medium Google 10.0 9.4 1/1 23.1s
#5 Qwen3.7 Max medium Qwen 10.0 9.1 1/1 6.63s
#6 GPT-5.5 low OpenAI 10.0 9.0 1/1 4.96s
#7 Gemini 3.5 Flash medium Google 10.0 9.0 1/1 3.81s
#8 Claude Opus 4.7 none Anthropic 10.0 8.9 1/1 4.74s
#9 GPT-5.5 medium OpenAI 10.0 8.8 1/1 10.6s
#10 Claude Opus 4.8 medium Anthropic 10.0 8.7 1/1 8.96s
#11 Claude Opus 4.7 medium Anthropic 10.0 8.7 1/1 4.17s
#12 Gemini 3.1 Flash Lite Preview high Google 10.0 8.6 1/1 7.73s
#14 Qwen3.6 Max Preview medium Qwen 10.0 8.5 1/1 18.3s

Model teratas menurut Skor Pemanggilan alat

Skor Pemanggilan alat vs total biaya

Model teratas menurut Waktu respons (rata-rata)