अवैध टूल कॉल अपयशे
कोणत्या AI मॉडेल्सना अवैध टूल कॉल सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: स्कोअर ↑.
86/86
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) |
|---|---|---|---|---|---|---|---|
| #180 | MiniMax M2.7 medium | Minimax | 1 | 5.0 | $0.163 | 5/22 | 41.3s |
| #179 | North Mini Code none | Cohere | 2 | 5.1 | $0.000 | 4/22 | 29.9s |
| #177 | Qwen3.5-9B none | Qwen | 2 | 5.1 | $0.021 | 4/22 | 19.2s |
| #172 | Inkling none | Thinkingmachines | 1 | 5.2 | $0.147 | 6/22 | 3.50s |
| #170 | Ling-2.6-1T none | Inclusionai | 1 | 5.3 | $0.016 | 4/22 | 8.58s |
| #168 | Laguna XS 2.1 none | Poolside | 1 | 5.3 | $0.008 | 5/22 | 1.55s |
| #167 | Laguna S 2.1 high | Poolside | 2 | 5.4 | $0.127 | 4/22 | 111.6s |
| #166 | GPT-5.6 Luna none | OpenAI | 1 | 5.4 | $0.142 | 6/22 | 1.50s |
| #164 | Laguna S 2.1 medium | Poolside | 2 | 5.4 | $0.059 | 4/22 | 58.4s |
| #162 | Gemma 4 26B A4B none | 1 | 5.5 | $0.015 | 8/22 | 7.64s | |
| #158 | Qwen3.6 27B none | Qwen | 2 | 5.5 | $0.087 | 7/22 | 10.7s |
| #157 | GLM 5.1 none | Z.ai | 1 | 5.5 | $0.164 | 7/22 | 6.70s |
| #156 | DeepSeek V4 Flash none | DeepSeek | 2 | 5.6 | $0.044 | 5/22 | 36.8s |
| #148 | Qwen3.5-122B-A10B none | Qwen | 1 | 5.7 | $0.247 | 6/22 | 12.9s |
| #143 | North Mini Code medium | Cohere | 1 | 5.9 | $0.000 | 9/22 | 137.1s |