टूल कॉलिंग मॉडेल क्रमवारी

टूल कॉलिंग मध्ये कोणती AI मॉडेल्स सर्वोत्तम काम करतात, कोणती विश्वासार्ह राहतात आणि सर्वात मोठी दरी कुठे दिसते ते पाहा. क्रम लावा: मेट्रिक ↑.

दाखवलेली मॉडेल्स

सरासरी टूल कॉलिंग स्कोअर

0.8

सर्वोत्तम मॉडेल

Span-02 0.0

अयशस्वी होण्याची कारणे

अयशस्वी होण्याचे कारण API त्रुटी सह39 अयशस्वी होण्याचे कारण सूचनांचे पालन केले नाही सह13 अयशस्वी होण्याचे कारण अवैध टूल कॉल सह11 अयशस्वी होण्याचे कारण चुकीचे उत्तर सह9 अयशस्वी होण्याचे कारण उत्तर नाही सह3

451/451

क्रमांक	मॉडेल	कंपनी	टूल कॉलिंग स्कोअर	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#145	Qwen3.8 27B low	Qwen	0.3	0.8	~$0.089	0/1	8.42s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च ~$0.089 प्रतिसाद वेळ (सरासरी) 8.42s
#147	GLM 5.1 medium	Z.ai	0.3	0.8	$1.546	0/1	0ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $1.546 प्रतिसाद वेळ (सरासरी) 0ms
#157	Inkling Small high	Thinkingmachines	0.3	0.7	$0.398	0/1	2.91s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.398 प्रतिसाद वेळ (सरासरी) 2.91s
#159	Inkling medium	Thinkingmachines	0.3	0.7	$0.527	0/1	4.48s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.527 प्रतिसाद वेळ (सरासरी) 4.48s
#170	Qwen3.8 27B medium	Qwen	0.3	0.7	~$0.073	0/1	0ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च ~$0.073 प्रतिसाद वेळ (सरासरी) 0ms
#187	Kimi K2.7 Code medium	Moonshot AI	0.3	0.7	$1.136	0/1	0ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $1.136 प्रतिसाद वेळ (सरासरी) 0ms
#188	Ember-1 low	Fireworks	0.3	0.7	$1.488	0/1	26.4s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $1.488 प्रतिसाद वेळ (सरासरी) 26.4s
#196	Ember-1 high	Fireworks	0.3	0.7	$2.405	0/1	26.5s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $2.405 प्रतिसाद वेळ (सरासरी) 26.5s
#197	Gemma 4 31B medium	Google	0.3	0.7	$0.144	0/1	0ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.144 प्रतिसाद वेळ (सरासरी) 0ms
#203	Inkling low	Thinkingmachines	0.3	0.7	$0.293	0/1	2.57s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.293 प्रतिसाद वेळ (सरासरी) 2.57s
#204	Mercury 2.5 Preview medium	Inception	0.3	0.7	$0.039	0/1	2.37s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.039 प्रतिसाद वेळ (सरासरी) 2.37s
#214	Ember-1 max	Fireworks	0.3	0.7	$3.264	0/1	26.4s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $3.264 प्रतिसाद वेळ (सरासरी) 26.4s
#225	Beam 1.0 501B A23B medium	Reflection	0.3	0.7	$0.499	0/1	1.95s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.499 प्रतिसाद वेळ (सरासरी) 1.95s
#229	Qwen3.6 35B A3B medium	Qwen	0.3	0.7	$0.834	0/1	0ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.834 प्रतिसाद वेळ (सरासरी) 0ms
#230	Mercury 2.5 Preview high	Inception	0.3	0.6	$0.040	0/1	2.25s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.040 प्रतिसाद वेळ (सरासरी) 2.25s

टूल कॉलिंग क्रमवारी

मॉडेल फिल्टर करा

टूल कॉलिंग स्कोअर नुसार शीर्ष मॉडेल्स

टूल कॉलिंग स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स