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.
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) |
|---|---|---|---|---|---|---|---|
| #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 |
| #58 | Muse Glimmer 30B xhigh | Meta | 1 | 6.0 | $0.510 | 0/2 | 272.7s |
| #59 | Inkling high | Thinkingmachines | 1 | 7.3 | $1.046 | 1/2 | 63.8s |
| #65 | GPT-5.6 Terra high | OpenAI | 1 | 8.7 | $0.836 | 1/2 | 13.7s |
| #68 | Step 3.7 Flash medium | Stepfun | 1 | 7.3 | $0.495 | 1/2 | 80.9s |
| #70 | Qwen3.7 Plus medium | Qwen | 1 | 8.2 | $0.277 | 1/2 | 190.3s |
| #72 | Gemini 3.5 Flash Lite medium | 1 | 7.3 | $0.272 | 1/2 | 17.9s | |
| #76 | Qwen3.8 27B medium | Qwen | 1 | 8.7 | ~$0.058 | 1/2 | 124.5s |
| #79 | Qwen3.7 Flash high | Qwen | 1 | 6.9 | $0.052 | 1/2 | 232.0s |