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)
#50 Gemini 3.1 Flash Lite Preview low Google 10.0 7.4 1/1 9.54s
#51 Mimo V2 PRO medium Xiaomi 10.0 7.4 1/1 8.19s
#52 Claude Sonnet 4.6 medium Anthropic 10.0 7.4 1/1 7.48s
#53 Gemini 3.1 Flash Lite high Google 10.0 7.3 1/1 6.44s
#54 GPT-5 Mini medium OpenAI 10.0 7.3 1/1 18.6s
#56 MiMo-V2.5 medium Xiaomi 10.0 7.3 1/1 7.29s
#57 Step 3.7 Flash low Stepfun 10.0 7.3 1/1 3.25s
#58 Gemini 3.1 Flash Lite Preview none Google 10.0 7.2 1/1 3.39s
#60 Kimi K2.6 medium Moonshot AI 10.0 7.2 1/1 8.92s
#61 Gemini 3.1 Flash Lite low Google 10.0 7.2 1/1 5.66s
#62 Step 3.5 Flash medium Stepfun 10.0 7.2 1/1 11.9s
#63 GPT-5.3 Chat none OpenAI 10.0 7.2 1/1 8.36s
#64 MiMo-V2-Flash medium Xiaomi 10.0 7.2 1/1 27.8s
#66 Qwen3.5-35B-A3B medium Qwen 10.0 7.1 1/1 4.65s
#67 MiniMax M3 medium Minimax 10.0 7.1 1/1 11.9s

Model teratas menurut Skor Pemanggilan alat

Skor Pemanggilan alat vs total biaya

Model teratas menurut Waktu respons (rata-rata)