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) |
|---|---|---|---|---|---|---|---|
| #123 | Muse Glimmer 30B low | Meta | 1 | 3.8 | $0.152 | 0/2 | 132.0s |
| #124 | Step 3.7 Flash low | Stepfun | 1 | 7.3 | $0.390 | 1/2 | 66.2s |
| #128 | DeepSeek V3.2 medium | DeepSeek | 1 | 7.3 | $0.078 | 1/2 | 79.9s |
| #131 | Mercury 2 medium | Inception | 1 | 6.7 | $0.094 | 1/2 | 7.84s |
| #132 | Grok 4.20 medium | X AI | 1 | 8.7 | $0.805 | 1/2 | 42.2s |
| #134 | Kimi K2.5 medium | Moonshot AI | 1 | 6.7 | $0.479 | 1/2 | 89.2s |
| #137 | Qwen3.7 Flash medium | Qwen | 1 | 6.4 | $0.065 | 1/2 | 314.2s |
| #140 | Qwen3.6 Flash medium | Qwen | 1 | 6.5 | $0.741 | 1/2 | 299.2s |
| #141 | Step 3.7 Flash high | Stepfun | 1 | 8.7 | $1.229 | 1/2 | 41.2s |
| #145 | DeepSeek V4 Pro none | DeepSeek | 1 | 7.9 | $0.226 | 1/2 | 71.6s |
| #146 | GLM 5.3 low | Z.ai | 1 | 3.8 | $0.257 | 0/2 | 53.0s |
| #147 | MiMo-V2.5-Pro medium | Xiaomi | 1 | 6.9 | $0.221 | 1/2 | 125.4s |
| #149 | Gemma 4 26B A4B medium | 1 | 6.3 | $0.092 | 1/2 | 492.9s | |
| #150 | GLM 5.2 none | Z.ai | 1 | 6.9 | $0.153 | 1/2 | 50.2s |
| #151 | KAT-Coder-Pro V2.5 none | Kwaipilot | 1 | 4.1 | $0.487 | 0/2 | 183.1s |