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: प्रतिसाद वेळ (सरासरी) ↑.
| क्रमांक | मॉडेल | कंपनी | टूल कॉलिंग स्कोअर | स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #86 | Grok 4.1 Fast medium | X AI | 2.8 | 6.5 | 0/1 | 27.7s |
| #64 | MiMo-V2-Flash medium | Xiaomi | 10.0 | 7.2 | 1/1 | 27.8s |
| #76 | Kimi K2.5 medium | Moonshot AI | 10.0 | 6.8 | 1/1 | 31.7s |
| #94 | GPT-5 Nano medium | OpenAI | 10.0 | 6.3 | 1/1 | 33.3s |
| #156 | Hy3 preview none | Tencent | 10.0 | 4.4 | 1/1 | 33.8s |
| #72 | DeepSeek V3.2 medium | DeepSeek | 10.0 | 7.0 | 1/1 | 34.8s |
| #105 | Nemotron 3 Super medium | NVIDIA | 10.0 | 5.8 | 1/1 | 39.7s |
| #102 | Gemma 4 26B A4B none | 10.0 | 6.0 | 1/1 | 57.1s | |
| #31 | DeepSeek V4 Flash high | DeepSeek | 10.0 | 7.7 | 1/1 | 74.7s |
| #139 | DeepSeek V4 Flash none | DeepSeek | 10.0 | 5.0 | 1/1 | 77.9s |
| #82 | Hy3 preview high | Tencent | 10.0 | 6.6 | 1/1 | 78.8s |
| #73 | Seed-2.0-Mini medium | Bytedance Seed | 10.0 | 6.9 | 1/1 | 88.7s |
| #75 | Ring-2.6-1T medium | Inclusionai | 10.0 | 6.9 | 1/1 | 104.4s |