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: बरोबर चाचण्या ↓.
| क्रमांक | मॉडेल | कंपनी | टूल कॉलिंग स्कोअर | स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #147 | GPT-4o-mini none | OpenAI | 10.0 | 4.8 | 1/1 | 2.51s |
| #148 | GPT-5.4 Nano none | OpenAI | 10.0 | 4.7 | 1/1 | 3.40s |
| #150 | Qwen3 Coder Next medium | Qwen | 10.0 | 4.6 | 1/1 | 2.64s |
| #151 | Trinity Large Preview none | Arcee AI | 10.0 | 4.6 | 1/1 | 6.67s |
| #152 | MiMo-V2-Flash none | Xiaomi | 10.0 | 4.6 | 1/1 | 2.28s |
| #154 | Qwen3.5-9B none | Qwen | 10.0 | 4.6 | 1/1 | 1.27s |
| #155 | Mercury 2 none | Inception | 10.0 | 4.5 | 1/1 | 1.27s |
| #156 | Hy3 preview none | Tencent | 10.0 | 4.4 | 1/1 | 33.8s |
| #158 | GLM 4.7 Flash medium | Z.ai | 10.0 | 4.4 | 1/1 | 15.9s |
| #161 | Qwen3.5-9B medium | Qwen | 10.0 | 4.2 | 1/1 | 4.31s |
| #163 | Granite 4.1 8B none | IBM Granite | 10.0 | 4.0 | 1/1 | 2.17s |
| #13 | Grok 4.20 Beta medium | X AI | 3.0 | 8.5 | 0/1 | 12.4s |
| #20 | Gemini 3.5 Flash none | 3.0 | 8.1 | 0/1 | 0ms | |
| #27 | Gemma 4 31B medium | 3.0 | 7.8 | 0/1 | 0ms | |
| #42 | GPT-5.2 medium | OpenAI | 4.7 | 7.5 | 0/1 | 10.3s |