Peringkat model Pemanggilan alat

Kategori AI BENCHY

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

Model yang ditampilkan

Rata-rata Skor Pemanggilan alat

8.7

Model terbaik

Grok 4.1 Fast 2.8

Alasan kegagalan

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

Peringkat	Model	Perusahaan	Skor Pemanggilan alat	Skor	Tes benar	Waktu respons (rata-rata)
#52	Grok 4.1 Fast medium	X AI	2.8	6.7	0/1	27.7s
#74	GLM 4.7 Flash none	Z.ai	2.8	5.6	0/1	7.05s
#95	Grok 4.1 Fast none	X AI	2.8	4.5	0/1	5.51s
#14	Gemma 4 31B medium	Google	3.0	8.3	0/1	0ms
#25	Grok 4.20 Beta medium	X AI	3.0	8.0	0/1	12.4s
#33	GLM 5.1 medium	Z.ai	3.0	7.8	0/1	0ms
#47	Grok 4.20 medium	X AI	3.0	7.0	0/1	13.7s
#48	Gemma 4 31B none	Google	3.0	6.9	0/1	0ms
#56	Grok 4.20 Multi Agent Beta medium	X AI	3.0	6.4	0/1	0ms
#81	Elephant medium	Openrouter	3.0	5.2	0/1	2.83s
#84	gpt-oss-120b none	OpenAI	3.0	5.2	0/1	0ms
#85	Elephant none	Openrouter	3.0	5.2	0/1	2.79s
#86	GPT-5.4 Mini none	OpenAI	3.0	5.1	0/1	2.32s
#98	LFM2-24B-A2B none	Liquid	3.0	4.1	0/1	0ms
#40	GPT-5.2 medium	OpenAI	4.7	7.5	0/1	10.3s

1 2 3 4 5 6 7

→

Peringkat Pemanggilan alat

Model teratas menurut Skor Pemanggilan alat

Skor Pemanggilan alat vs total biaya

Model teratas menurut Waktu respons (rata-rata)