टूल कॉलिंग: सूचनांचे पालन केले नाही
टूल कॉलिंग
सूचनांचे पालन केले नाही
टूल कॉलिंग मध्ये कोणत्या AI मॉडेल्सना सूचनांचे पालन केले नाही येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: बरोबर चाचण्या ↑.
अयशस्वी होण्याची कारणे
13/13
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | सूचनांचे पालन केले नाही संख्या | श्रेणी स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #119 | GPT-5.4 Mini medium | OpenAI | 1 | 0.5 | $1.102 | 0/1 | 9.62s |
| #157 | Inkling Small high | Thinkingmachines | 1 | 0.3 | $0.398 | 0/1 | 2.91s |
| #203 | Inkling low | Thinkingmachines | 1 | 0.3 | $0.293 | 0/1 | 2.57s |
| #266 | Grok 4.20 medium | X AI | 1 | 0.3 | $1.246 | 0/1 | 13.7s |
| #277 | Inkling none | Thinkingmachines | 1 | 0.3 | $0.292 | 0/1 | 2.50s |
| #286 | Inkling Small medium | Thinkingmachines | 1 | 0.3 | $0.113 | 0/1 | 2.12s |
| #303 | GPT-5.4 Mini none | OpenAI | 1 | 0.3 | $0.170 | 0/1 | 2.32s |
| #351 | MiniMax M2.7 medium | Minimax | 1 | 0.5 | $0.326 | 0/1 | 12.0s |
| #355 | Grok 4.20 Beta medium | X AI | 1 | 0.3 | $0.750 | 0/1 | 12.4s |
| #356 | Inkling Small none | Thinkingmachines | 1 | 0.3 | $0.054 | 0/1 | 2.31s |
| #386 | Nemotron 3 Super none | NVIDIA | 1 | 0.5 | $0.016 | 0/1 | 16.0s |
| #404 | Ling 3.0 Tiny default | Inclusionai | 1 | 0.3 | $0.000 | 0/1 | 3.05s |
| #421 | Xing4.0 29b A4b none | Xingchen AGI | 1 | 0.5 | $0.000 | 0/1 | 24.1s |