संयुक्त x अवैध टूल कॉल क्रमवारी

संयुक्त मध्ये कोणत्या AI मॉडेल्सना अवैध टूल कॉल येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील.

दाखवलेली मॉडेल्स

एकूण अपयशे

180

सर्वाधिक प्रभावित मॉडेल

Muse Spark 1.1 2

अयशस्वी होण्याची कारणे

अवैध टूल कॉल180 चुकीचे उत्तर128 API त्रुटी62 उत्तर नाही56 वेळ संपला11 अतिरिक्त फॉरमॅटिंग1 सूचनांचे पालन केले नाही1

श्रेणी

संयुक्त180 स्वायत्त एजंट कार्ये47 टूल कॉलिंग11

157/157

क्रमांक	मॉडेल	कंपनी	अवैध टूल कॉल संख्या	श्रेणी स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#133	DeepSeek V4 Flash 0731 medium	DeepSeek	1	0.7	$0.460	1/2	150.6s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.460 प्रतिसाद वेळ (सरासरी) 150.6s
#152	Qwen3.6 Flash medium	Qwen	1	0.7	$0.783	1/2	299.2s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.783 प्रतिसाद वेळ (सरासरी) 299.2s
#158	DeepSeek V4 Pro 0423 none	DeepSeek	1	0.8	$0.083	1/2	71.6s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.083 प्रतिसाद वेळ (सरासरी) 71.6s
#160	Gemma 4 26B A4B medium	Google	1	0.6	$0.101	1/2	492.9s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.101 प्रतिसाद वेळ (सरासरी) 492.9s
#161	GLM 5.3 Flash high	Z.ai	1	0.6	$0.056	1/2	91.1s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.056 प्रतिसाद वेळ (सरासरी) 91.1s
#167	Gemini 3.5 Flash Lite medium	Google	1	0.7	$0.440	1/2	17.9s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.440 प्रतिसाद वेळ (सरासरी) 17.9s
#169	Qwen3.5 Plus 2026-02-15 medium	Qwen	1	0.7	$0.567	1/2	175.8s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.567 प्रतिसाद वेळ (सरासरी) 175.8s
#170	Qwen3.8 27B medium	Qwen	1	0.9	~$0.073	1/2	124.5s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च ~$0.073 प्रतिसाद वेळ (सरासरी) 124.5s
#173	Qwen3.7 Flash high	Qwen	1	0.7	$0.063	1/2	232.0s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.063 प्रतिसाद वेळ (सरासरी) 232.0s
#176	Step 3.7 Flash low	Stepfun	1	0.7	$0.449	1/2	66.2s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.449 प्रतिसाद वेळ (सरासरी) 66.2s
#178	Claude Opus 5 none	Anthropic	1	0.8	$2.766	1/2	30.5s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $2.766 प्रतिसाद वेळ (सरासरी) 30.5s
#179	Qwen3.8 Flash Next xhigh	Qwen	1	0.7	~$0.195	1/2	92.2s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च ~$0.195 प्रतिसाद वेळ (सरासरी) 92.2s
#180	GLM 5.3 FlashX medium	Z.ai	1	0.3	$0.114	0/2	16.0s
एकूण चाचण्या 2 चुकीच्या चाचण्या 2 एकूण खर्च $0.114 प्रतिसाद वेळ (सरासरी) 16.0s
#181	Minimax M3.1 Flash low	Minimax	1	0.7	$0.000	1/2	20.6s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.000 प्रतिसाद वेळ (सरासरी) 20.6s
#182	MiMo-V2.6-Flash low	Xiaomi	1	0.7	$0.200	1/2	20.8s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.200 प्रतिसाद वेळ (सरासरी) 20.8s

मॉडेल फिल्टर करा

अवैध टूल कॉल संख्या नुसार शीर्ष मॉडेल्स

अवैध टूल कॉल संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स

अंदाजित वाया गेलेला खर्च नुसार शीर्ष मॉडेल्स

संयुक्त: अवैध टूल कॉल

मॉडेल फिल्टर करा

अवैध टूल कॉल संख्या नुसार शीर्ष मॉडेल्स

अवैध टूल कॉल संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स