अवैध टूल कॉल अपयशे
कोणत्या AI मॉडेल्सना अवैध टूल कॉल सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: अपयशांची संख्या ↑.
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) |
|---|---|---|---|---|---|---|---|
| #114 | Qwen3.5-27B medium | Qwen | 1 | 0.8 | $1.135 | 14/23 | 114.7s |
| #117 | GPT-5.4 Mini medium | OpenAI | 1 | 0.8 | $1.102 | 13/23 | 29.9s |
| #119 | Gemini 3.5 Flash medium | 1 | 0.8 | $1.316 | 18/23 | 11.8s | |
| #120 | Qwen3.8 2.4T A95B high | Qwen | 1 | 0.8 | $2.949 | 15/23 | 120.9s |
| #121 | MiMo-V2.6-Flash medium | Xiaomi | 1 | 0.8 | $0.218 | 12/23 | 61.9s |
| #123 | Ling 3.1 Flash high | Inclusionai | 1 | 0.8 | $0.000 | 15/23 | 87.4s |
| #126 | Step 3.7 Flash medium | Stepfun | 1 | 0.8 | $0.571 | 13/23 | 26.6s |
| #130 | DeepSeek V4 Flash 0731 medium | DeepSeek | 1 | 0.8 | $0.460 | 12/23 | 94.2s |
| #132 | GPT-6 Luna high | OpenAI | 1 | 0.8 | $0.074 | 15/23 | 20.4s |
| #148 | GPT-5.6 Luna medium | OpenAI | 1 | 0.7 | $0.065 | 13/23 | 9.64s |
| #149 | Qwen3.6 Flash medium | Qwen | 1 | 0.7 | $0.783 | 13/23 | 45.5s |
| #155 | DeepSeek V4 Pro 0423 none | DeepSeek | 1 | 0.7 | $0.083 | 10/23 | 14.1s |
| #157 | Gemma 4 26B A4B medium | 1 | 0.7 | $0.101 | 16/23 | 105.0s | |
| #158 | GLM 5.3 Flash high | Z.ai | 1 | 0.7 | $0.056 | 13/23 | 29.1s |
| #166 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 1 | 0.7 | $0.567 | 14/23 | 97.7s |