टूल कॉलिंग मॉडेल क्रमवारी

टूल कॉलिंग मध्ये कोणती AI मॉडेल्स सर्वोत्तम काम करतात, कोणती विश्वासार्ह राहतात आणि सर्वात मोठी दरी कुठे दिसते ते पाहा.

दाखवलेली मॉडेल्स

सरासरी टूल कॉलिंग स्कोअर

8.8

सर्वोत्तम मॉडेल

अयशस्वी होण्याची कारणे

अयशस्वी होण्याचे कारण API त्रुटी सह25 अयशस्वी होण्याचे कारण सूचनांचे पालन केले नाही सह12 अयशस्वी होण्याचे कारण अवैध टूल कॉल सह11 अयशस्वी होण्याचे कारण चुकीचे उत्तर सह5 अयशस्वी होण्याचे कारण उत्तर नाही सह2

311/311

क्रमांक	मॉडेल	कंपनी	टूल कॉलिंग स्कोअर	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#69	Qwen3.8 27B low	Qwen	3.0	7.9	~$0.071	0/1	8.42s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च ~$0.071 प्रतिसाद वेळ (सरासरी) 8.42s
#76	Qwen3.8 27B medium	Qwen	3.0	7.8	~$0.058	0/1	0ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च ~$0.058 प्रतिसाद वेळ (सरासरी) 0ms
#96	Mercury 2.5 Preview medium	Inception	3.0	7.5	$0.024	0/1	2.37s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.024 प्रतिसाद वेळ (सरासरी) 2.37s
#102	Kimi K2.7 Code medium	Moonshot AI	3.0	7.4	$0.687	0/1	0ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.687 प्रतिसाद वेळ (सरासरी) 0ms
#129	GLM 5.1 medium	Z.ai	3.0	7.0	$0.727	0/1	0ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.727 प्रतिसाद वेळ (सरासरी) 0ms
#132	Grok 4.20 medium	X AI	3.0	7.0	$0.805	0/1	13.7s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.805 प्रतिसाद वेळ (सरासरी) 13.7s
#139	Gemini 3.5 Flash none	Google	3.0	6.9	$1.093	0/1	0ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $1.093 प्रतिसाद वेळ (सरासरी) 0ms
#160	Inkling Small medium	Thinkingmachines	3.0	6.6	$0.113	0/1	2.12s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.113 प्रतिसाद वेळ (सरासरी) 2.12s
#162	Qwen3.6 35B A3B medium	Qwen	3.0	6.6	$0.672	0/1	0ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.672 प्रतिसाद वेळ (सरासरी) 0ms
#163	Mercury 2.5 Preview high	Inception	3.0	6.6	$0.030	0/1	2.25s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.030 प्रतिसाद वेळ (सरासरी) 2.25s
#179	Gemma 4 31B medium	Google	3.0	6.2	$0.100	0/1	0ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.100 प्रतिसाद वेळ (सरासरी) 0ms
#188	Inkling low	Thinkingmachines	3.0	6.1	$0.187	0/1	2.57s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.187 प्रतिसाद वेळ (सरासरी) 2.57s
#191	Gemma 4 31B none	Google	3.0	6.1	$0.016	0/1	0ms
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.016 प्रतिसाद वेळ (सरासरी) 0ms
#196	Grok 4.20 Beta medium	X AI	3.0	6.0	$0.750	0/1	12.4s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.750 प्रतिसाद वेळ (सरासरी) 12.4s
#207	GPT-5.4 Mini none	OpenAI	3.0	5.9	$0.095	0/1	2.32s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.095 प्रतिसाद वेळ (सरासरी) 2.32s

टूल कॉलिंग क्रमवारी

मॉडेल फिल्टर करा

टूल कॉलिंग स्कोअर नुसार शीर्ष मॉडेल्स

टूल कॉलिंग स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स