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) |
|---|---|---|---|---|---|---|---|
| #187 | Qwen3.5-Flash medium | Qwen | 1 | 6.4 | $0.142 | 1/2 | 266.6s |
| #195 | Gemini 2.5 Flash none | 1 | 3.0 | $0.017 | 0/2 | 61.2s | |
| #197 | GPT-5.6 Terra none | OpenAI | 1 | 2.9 | $0.280 | 0/2 | 7.02s |
| #200 | Qwen3.5-Flash none | Qwen | 1 | 2.9 | $0.073 | 0/2 | 243.6s |
| #201 | Qwen3.5-35B-A3B none | Qwen | 1 | 3.8 | $0.142 | 0/2 | 128.3s |
| #206 | GLM 5.3 Flash low | Z.ai | 1 | 3.8 | $0.015 | 0/2 | 54.7s |
| #211 | North Mini Code medium | Cohere | 1 | 2.9 | $0.000 | 0/2 | 554.9s |
| #214 | Inkling Small low | Thinkingmachines | 1 | 3.0 | $0.055 | 0/2 | 4.08s |
| #215 | Ling-3.0-flash none | Inclusionai | 1 | 3.0 | $0.004 | 0/2 | 8.58s |
| #216 | GLM 5.1 none | Z.ai | 1 | 2.8 | $0.164 | 0/2 | 46.9s |
| #218 | Qwen3.5-122B-A10B none | Qwen | 1 | 5.2 | $0.283 | 0/2 | 129.3s |
| #223 | Gemma 4 26B A4B none | 1 | 3.0 | $0.015 | 0/2 | 37.2s | |
| #227 | Nemotron 3.5 Lightning high | NVIDIA | 1 | 6.4 | $0.134 | 1/2 | 160.5s |
| #231 | Qwen3.8 27B none | Qwen | 1 | 3.0 | ~$0.006 | 0/2 | 24.1s |
| #236 | GPT-5.6 Luna none | OpenAI | 1 | 3.2 | $0.029 | 0/2 | 6.68s |