संयुक्त: अवैध टूल कॉल
संयुक्त
अवैध टूल कॉल
संयुक्त मध्ये कोणत्या AI मॉडेल्सना अवैध टूल कॉल येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: अपयशांची संख्या ↑.
अयशस्वी होण्याची कारणे
श्रेणी
125/125
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | अवैध टूल कॉल संख्या | श्रेणी स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #7 | Gemini 3.5 Flash high | 1 | 8.2 | $2.011 | 1/2 | 84.1s | |
| #17 | Gemini 3.8 Flash medium | 1 | 8.7 | $0.653 | 1/2 | 60.3s | |
| #19 | Qwen3.7 Max medium | Qwen | 1 | 8.7 | $1.157 | 1/2 | 287.8s |
| #23 | Qwen3.8 Max medium | Qwen | 1 | 8.7 | $0.771 | 1/2 | 91.3s |
| #28 | Gemini 3.5 Flash low | 1 | 8.2 | $0.449 | 1/2 | 30.0s | |
| #29 | Muse Spark 1.3 medium | Meta | 1 | 7.3 | $1.469 | 1/2 | 34.7s |
| #34 | GLM 5.3 Flash max | Z.ai | 1 | 7.3 | $0.059 | 1/2 | 138.7s |
| #36 | Muse Spark 1.2 high | Meta | 1 | 8.0 | $1.771 | 1/2 | 39.9s |
| #37 | Muse Spark 1.2 medium | Meta | 1 | 8.5 | $1.339 | 1/2 | 24.9s |
| #38 | Muse Spark 1.1 medium | Meta | 1 | 8.3 | $1.420 | 1/2 | 42.6s |
| #39 | Claude Fable 5 medium | Anthropic | 1 | 6.5 | $3.004 | 1/2 | 27.5s |
| #51 | Muse Spark 1.1 low | Meta | 1 | 6.6 | $0.673 | 1/2 | 29.4s |
| #54 | Muse Spark 1.3 low | Meta | 1 | 7.3 | $0.689 | 1/2 | 25.7s |
| #55 | Claude Sonnet 5 medium | Anthropic | 1 | 7.3 | $0.922 | 1/2 | 51.9s |
| #56 | Qwen3.8 2.4T A95B low | Qwen | 1 | 8.2 | $2.672 | 1/2 | 231.8s |