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: एकूण खर्च ↑.

दाखवलेली मॉडेल्स

सरासरी टूल कॉलिंग स्कोअर

0.8

सर्वोत्तम मॉडेल

Ling 3.1 Flash 0.3

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)
#405	Granite 4.1 8b default	IBM Granite	1.0	0.4	$0.007	1/1	2.17s
एकूण चाचण्या 1 चुकीच्या चाचण्या 0 एकूण खर्च $0.007 प्रतिसाद वेळ (सरासरी) 2.17s
#419	Hy3 preview none	Tencent	1.0	0.3	$0.007	1/1	33.8s
एकूण चाचण्या 1 चुकीच्या चाचण्या 0 एकूण खर्च $0.007 प्रतिसाद वेळ (सरासरी) 33.8s
#424	Grok 4.1 Fast default	X AI	0.3	0.3	$0.008	0/1	5.51s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.008 प्रतिसाद वेळ (सरासरी) 5.51s
#388	Trinity Large Preview default	Arcee AI	1.0	0.4	$0.008	1/1	6.67s
एकूण चाचण्या 1 चुकीच्या चाचण्या 0 एकूण खर्च $0.008 प्रतिसाद वेळ (सरासरी) 6.67s
#439	Classify-1 default	Scaledown	0.0	0.2	$0.008	0/0	0ms
एकूण चाचण्या 0 चुकीच्या चाचण्या 0 एकूण खर्च $0.008 प्रतिसाद वेळ (सरासरी) 0ms
#406	Nemotron 3.5 Lightning none	NVIDIA	0.3	0.4	$0.009	0/1	1.70s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.009 प्रतिसाद वेळ (सरासरी) 1.70s
#412	Laguna M.1 default	Poolside	1.0	0.4	$0.009	1/1	7.54s
एकूण चाचण्या 1 चुकीच्या चाचण्या 0 एकूण खर्च $0.009 प्रतिसाद वेळ (सरासरी) 7.54s
#448	Solar Decide default	Upstage	0.0	0.1	$0.009	0/0	0ms
एकूण चाचण्या 0 चुकीच्या चाचण्या 0 एकूण खर्च $0.009 प्रतिसाद वेळ (सरासरी) 0ms
#324	Qwen3.8 27B none	Qwen	1.0	0.5	~$0.010	1/1	2.75s
एकूण चाचण्या 1 चुकीच्या चाचण्या 0 एकूण खर्च ~$0.010 प्रतिसाद वेळ (सरासरी) 2.75s
#440	Clef Omni default	Cloudflare	0.0	0.2	$0.011	0/0	0ms
एकूण चाचण्या 0 चुकीच्या चाचण्या 0 एकूण खर्च $0.011 प्रतिसाद वेळ (सरासरी) 0ms
#295	Qwen3.8 Flash Next none	Qwen	1.0	0.6	~$0.011	1/1	4.35s
एकूण चाचण्या 1 चुकीच्या चाचण्या 0 एकूण खर्च ~$0.011 प्रतिसाद वेळ (सरासरी) 4.35s
#418	Laguna Xs.2 medium	Poolside	0.5	0.3	$0.015	0/1	3.39s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.015 प्रतिसाद वेळ (सरासरी) 3.39s
#350	Mercury 2.5 Preview low	Inception	0.3	0.5	$0.015	0/1	1.57s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.015 प्रतिसाद वेळ (सरासरी) 1.57s
#451	Claude Opus 5.5 none	Anthropic	0.0	0.2	$0.015	0/0	0ms
एकूण चाचण्या 0 चुकीच्या चाचण्या 0 एकूण खर्च $0.015 प्रतिसाद वेळ (सरासरी) 0ms
#360	Ling 2.6 1t default	Inclusionai	0.3	0.5	$0.016	0/1	25.7s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.016 प्रतिसाद वेळ (सरासरी) 25.7s

टूल कॉलिंग क्रमवारी

मॉडेल फिल्टर करा

टूल कॉलिंग स्कोअर नुसार शीर्ष मॉडेल्स

टूल कॉलिंग स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स