अवैध टूल कॉल अपयशे
कोणत्या AI मॉडेल्सना अवैध टूल कॉल सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: एकूण खर्च ↑.
190/190
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | अवैध टूल कॉल संख्या | स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #175 | Claude Opus 5 none | Anthropic | 1 | 0.7 | $2.766 | 12/23 | 10.8s |
| #120 | Qwen3.8 2.4T A95B high | Qwen | 1 | 0.8 | $2.949 | 15/23 | 120.9s |
| #207 | Grok 4.7 high | X AI | 2 | 0.7 | $3.037 | 13/23 | 122.2s |
| #36 | Qwen3.8 Max (0902) high | Qwen | 1 | 0.9 | $3.306 | 18/23 | 186.1s |
| #203 | Grok 4.7 xhigh | X AI | 1 | 0.7 | $3.398 | 14/23 | 124.0s |
| #105 | Claude Opus 4.7 medium | Anthropic | 1 | 0.8 | $3.636 | 18/23 | 14.1s |
| #82 | Qwen3.8 2.4T A95B low | Qwen | 1 | 0.8 | $4.016 | 16/23 | 120.4s |
| #302 | Step 5 Preview low | Stepfun | 1 | 0.6 | $4.110 | 10/23 | 138.3s |
| #271 | Step 5 Preview medium | Stepfun | 1 | 0.6 | $4.136 | 10/23 | 136.1s |
| #57 | Claude Fable 5 medium | Anthropic | 1 | 0.9 | $5.089 | 18/23 | 16.8s |