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) |
|---|---|---|---|---|---|---|
| #48 | Gemini 3 Flash Preview none | 10.0 | 7.4 | 1/1 | 3.35s | |
| #49 | Qwen3.5-Flash medium | Qwen | 10.0 | 7.4 | 1/1 | 10.3s |
| #50 | Gemini 3.1 Flash Lite Preview low | 10.0 | 7.4 | 1/1 | 9.54s | |
| #51 | Mimo V2 PRO medium | Xiaomi | 10.0 | 7.4 | 1/1 | 8.19s |
| #52 | Claude Sonnet 4.6 medium | Anthropic | 10.0 | 7.4 | 1/1 | 7.48s |
| #53 | Gemini 3.1 Flash Lite high | 10.0 | 7.3 | 1/1 | 6.44s | |
| #54 | GPT-5 Mini medium | OpenAI | 10.0 | 7.3 | 1/1 | 18.6s |
| #56 | MiMo-V2.5 medium | Xiaomi | 10.0 | 7.3 | 1/1 | 7.29s |
| #57 | Step 3.7 Flash low | Stepfun | 10.0 | 7.3 | 1/1 | 3.25s |
| #58 | Gemini 3.1 Flash Lite Preview none | 10.0 | 7.2 | 1/1 | 3.39s | |
| #60 | Kimi K2.6 medium | Moonshot AI | 10.0 | 7.2 | 1/1 | 8.92s |
| #61 | Gemini 3.1 Flash Lite low | 10.0 | 7.2 | 1/1 | 5.66s | |
| #62 | Step 3.5 Flash medium | Stepfun | 10.0 | 7.2 | 1/1 | 11.9s |
| #63 | GPT-5.3 Chat none | OpenAI | 10.0 | 7.2 | 1/1 | 8.36s |
| #64 | MiMo-V2-Flash medium | Xiaomi | 10.0 | 7.2 | 1/1 | 27.8s |