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
157/157
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) |
|---|---|---|---|---|---|---|---|
| #35 | Qwen3.8 MAX medium | Qwen | 1 | 0.9 | $1.181 | 1/2 | 91.3s |
| #37 | Qwen3.8 Max (0902) high | Qwen | 1 | 0.9 | $3.306 | 1/2 | 110.4s |
| #42 | Pareto default | Unbiased | 1 | 0.7 | $1.520 | 1/2 | 53.5s |
| #46 | Gemini 3.5 Flash low | 1 | 0.8 | $0.752 | 1/2 | 30.0s | |
| #48 | Muse Spark 1.3 medium | Meta | 1 | 0.7 | $1.712 | 1/2 | 34.7s |
| #53 | GLM 5.3 Flash max | Z.ai | 1 | 0.7 | $0.089 | 1/2 | 138.7s |
| #54 | Muse Spark Open low | Meta | 1 | 0.8 | $0.600 | 1/2 | 32.8s |
| #55 | Muse Spark 1.2 high | Meta | 1 | 0.8 | $2.018 | 1/2 | 39.9s |
| #56 | Muse Spark 1.2 medium | Meta | 1 | 0.9 | $1.590 | 1/2 | 24.9s |
| #57 | Muse Spark 1.1 medium | Meta | 1 | 0.8 | $1.665 | 1/2 | 42.6s |
| #58 | Claude Fable 5 medium | Anthropic | 1 | 0.7 | $5.089 | 1/2 | 27.5s |
| #59 | Pareto 26.9 default | Unbiased | 1 | 0.8 | $1.864 | 1/2 | 81.4s |
| #72 | Muse Spark 1.1 low | Meta | 1 | 0.7 | $0.885 | 1/2 | 29.4s |
| #73 | Claude Sonnet 5.5 xhigh | Anthropic | 1 | 0.9 | $1.516 | 1/2 | 30.4s |
| #74 | Claude Sonnet 5.5 high | Anthropic | 1 | 0.8 | $1.175 | 1/2 | 24.6s |