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) |
|---|---|---|---|---|---|---|---|
| #84 | DeepSeek V4 Flash 0423 high | DeepSeek | 1 | 6.4 | $0.039 | 1/2 | 104.1s |
| #88 | Nemotron 3 Ultra medium | NVIDIA | 1 | 6.3 | $0.567 | 1/2 | 218.2s |
| #89 | Claude Opus 5 none | Anthropic | 1 | 8.3 | $1.550 | 1/2 | 30.5s |
| #91 | GPT-5.6 Terra low | OpenAI | 1 | 8.7 | $0.420 | 1/2 | 9.68s |
| #94 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 1 | 6.9 | $0.459 | 1/2 | 175.8s |
| #95 | Qwen3.5-27B medium | Qwen | 1 | 7.3 | $0.982 | 1/2 | 595.2s |
| #97 | GPT-5.4 Mini medium | OpenAI | 1 | 6.9 | $0.786 | 1/2 | 59.6s |
| #100 | Gemini 3.1 Flash Lite Preview medium | 1 | 7.2 | $0.117 | 1/2 | 16.6s | |
| #105 | Qwen3.8 2.4T A95B high | Qwen | 1 | 6.9 | $2.357 | 1/2 | 266.1s |
| #111 | GLM 5.3 Flash high | Z.ai | 1 | 6.4 | $0.029 | 1/2 | 91.1s |
| #112 | Gemini 3.1 Flash Lite medium | 1 | 7.2 | $0.120 | 1/2 | 18.5s | |
| #114 | DeepSeek V4 Flash 0731 medium | DeepSeek | 1 | 7.3 | $0.066 | 1/2 | 150.6s |
| #116 | Kimi K2.6 medium | Moonshot AI | 1 | 6.9 | $1.247 | 1/2 | 458.6s |
| #117 | KAT-Coder-Pro V2.5 high | Kwaipilot | 1 | 7.3 | $0.506 | 1/2 | 106.7s |
| #122 | Qwen3.5-122B-A10B medium | Qwen | 1 | 6.4 | $1.207 | 1/2 | 313.5s |