टूल कॉलिंग: चुकीचे उत्तर
टूल कॉलिंग
चुकीचे उत्तर
टूल कॉलिंग मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: अपयशांची संख्या ↑.
अयशस्वी होण्याची कारणे
9/9
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | श्रेणी स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #97 | Ling 3.1 Flash medium | Inclusionai | 1 | 0.3 | $0.000 | 0/1 | 47.2s |
| #115 | GPT-5.6 Terra low | OpenAI | 1 | 0.5 | $0.435 | 0/1 | 6.69s |
| #125 | Ling 3.1 Flash high | Inclusionai | 1 | 0.3 | $0.000 | 0/1 | 38.2s |
| #145 | Qwen3.8 27B low | Qwen | 1 | 0.3 | ~$0.089 | 0/1 | 8.42s |
| #260 | Ling 3.1 Flash low | Inclusionai | 1 | 0.5 | $0.000 | 0/1 | 24.2s |
| #308 | Space Bunny Alpha low | Stealth | 1 | 0.5 | $0.000 | 0/1 | 3.48s |
| #366 | GLM 4.7 Flash none | Z.ai | 1 | 0.3 | $0.027 | 0/1 | 7.05s |
| #370 | Laguna S 2.1 none | Poolside | 1 | 0.5 | $0.044 | 0/1 | 1.45s |
| #424 | Grok 4.1 Fast default | X AI | 1 | 0.3 | $0.008 | 0/1 | 5.51s |