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: बरोबर चाचण्या ↑.

दाखवलेली मॉडेल्स

सरासरी टूल कॉलिंग स्कोअर

0.8

सर्वोत्तम मॉडेल

GPT-5.2 0.5

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)
#66	GPT-5.2 medium	OpenAI	0.5	0.9	$1.558	0/1	10.3s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $1.558 प्रतिसाद वेळ (सरासरी) 10.3s
#87	Inkling high	Thinkingmachines	0.3	0.8	$1.238	0/1	6.52s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $1.238 प्रतिसाद वेळ (सरासरी) 6.52s
#94	Kimi K3 max	Moonshot AI	0.3	0.8	$3.409	0/1	0ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $3.409 प्रतिसाद वेळ (सरासरी) 0ms
#97	Ling 3.1 Flash medium	Inclusionai	0.3	0.8	$0.000	0/1	47.2s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.000 प्रतिसाद वेळ (सरासरी) 47.2s
#99	Gemini 4 Argon low	Google	0.5	0.8	$0.438	0/1	6.57s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.438 प्रतिसाद वेळ (सरासरी) 6.57s
#115	GPT-5.6 Terra low	OpenAI	0.5	0.8	$0.435	0/1	6.69s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.435 प्रतिसाद वेळ (सरासरी) 6.69s
#119	GPT-5.4 Mini medium	OpenAI	0.5	0.8	$1.102	0/1	9.62s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $1.102 प्रतिसाद वेळ (सरासरी) 9.62s
#125	Ling 3.1 Flash high	Inclusionai	0.3	0.8	$0.000	0/1	38.2s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.000 प्रतिसाद वेळ (सरासरी) 38.2s
#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
#150	Seed-2.0-Code high	Bytedance Seed	0.5	0.7	$1.448	0/1	35.1s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $1.448 प्रतिसाद वेळ (सरासरी) 35.1s
#154	Seed-2.0-Code medium	Bytedance Seed	0.5	0.7	$1.275	0/1	36.4s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $1.275 प्रतिसाद वेळ (सरासरी) 36.4s
#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

1 2 31

→

टूल कॉलिंग क्रमवारी

मॉडेल फिल्टर करा

टूल कॉलिंग स्कोअर नुसार शीर्ष मॉडेल्स

टूल कॉलिंग स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स