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) |
|---|---|---|---|---|---|---|
| #68 | Claude Opus 4.8 none | Anthropic | 10.0 | 7.0 | 1/1 | 5.35s |
| #101 | Mimo V2 Omni none | Xiaomi | 10.0 | 6.0 | 1/1 | 5.40s |
| #157 | Grok 4.1 Fast none | X AI | 2.8 | 4.4 | 0/1 | 5.51s |
| #61 | Gemini 3.1 Flash Lite low | 10.0 | 7.2 | 1/1 | 5.66s | |
| #26 | Qwen3.6 Plus medium | Qwen | 10.0 | 7.9 | 1/1 | 5.87s |
| #93 | Qwen3.6 Plus Preview medium | Qwen | 10.0 | 6.3 | 1/1 | 5.87s |
| #113 | DeepSeek V4 Pro none | DeepSeek | 10.0 | 5.7 | 1/1 | 5.92s |
| #116 | Hunter Alpha none | OpenRouter | 10.0 | 5.7 | 1/1 | 6.02s |
| #28 | Gemini 2.5 Flash medium | 10.0 | 7.8 | 1/1 | 6.20s | |
| #92 | Laguna M.1 medium | Poolside | 10.0 | 6.4 | 1/1 | 6.31s |
| #15 | GPT-5.3-Codex medium | OpenAI | 10.0 | 8.4 | 1/1 | 6.37s |
| #53 | Gemini 3.1 Flash Lite high | 10.0 | 7.3 | 1/1 | 6.44s | |
| #5 | Qwen3.7 Max medium | Qwen | 10.0 | 9.1 | 1/1 | 6.63s |
| #151 | Trinity Large Preview none | Arcee AI | 10.0 | 4.6 | 1/1 | 6.67s |
| #118 | Qwen3.6 27B none | Qwen | 9.5 | 5.6 | 1/1 | 6.74s |