AI BENCHY श्रेणी
टूल कॉलिंग क्रमवारी
टूल कॉलिंग मध्ये कोणती AI मॉडेल्स सर्वोत्तम काम करतात, कोणती विश्वासार्ह राहतात आणि सर्वात मोठी दरी कुठे दिसते ते पाहा. क्रम लावा: मेट्रिक ↑.
| क्रमांक | मॉडेल | कंपनी | टूल कॉलिंग स्कोअर | स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #121 | Owl Alpha none | Openrouter | 10.0 | 5.5 | 1/1 | 22.8s |
| #123 | MiMo-V2.5-Pro none | Xiaomi | 10.0 | 5.5 | 1/1 | 3.30s |
| #124 | Kimi K2.6 none | Moonshot AI | 10.0 | 5.5 | 1/1 | 4.46s |
| #125 | GPT-5.4 none | OpenAI | 10.0 | 5.5 | 1/1 | 2.75s |
| #127 | Grok 4.20 none | X AI | 10.0 | 5.4 | 1/1 | 4.63s |
| #128 | Qwen3.6 Flash none | Qwen | 10.0 | 5.4 | 1/1 | 2.49s |
| #129 | MiniMax M2.5 medium | Minimax | 10.0 | 5.3 | 1/1 | 15.4s |
| #131 | Qwen3.5-122B-A10B none | Qwen | 10.0 | 5.3 | 1/1 | 2.04s |
| #132 | Mistral Small 4 medium | Mistral | 10.0 | 5.3 | 1/1 | 3.50s |
| #133 | DeepSeek V3.2 none | DeepSeek | 10.0 | 5.2 | 1/1 | 11.8s |
| #134 | GLM 5 Turbo none | Z.ai | 10.0 | 5.2 | 1/1 | 8.21s |
| #135 | Kimi K2.5 none | Moonshot AI | 10.0 | 5.2 | 1/1 | 14.0s |
| #139 | DeepSeek V4 Flash none | DeepSeek | 10.0 | 5.0 | 1/1 | 77.9s |
| #140 | Qwen3 Coder Next none | Qwen | 10.0 | 4.9 | 1/1 | 2.47s |
| #142 | Mistral Small 4 none | Mistral | 10.0 | 4.9 | 1/1 | 1.40s |