अवैध टूल कॉल अपयशे
कोणत्या AI मॉडेल्सना अवैध टूल कॉल सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: स्कोअर ↑.
195/195
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) |
|---|---|---|---|---|---|---|---|
| #253 | Qwen3.6 27B none | Qwen | 2 | 0.6 | $0.148 | 8/23 | 12.7s |
| #252 | Qwen3.5-35B-A3B medium | Qwen | 1 | 0.6 | $0.716 | 11/23 | 111.5s |
| #251 | LongCat 2.0 none | Meituan | 1 | 0.6 | $0.104 | 8/23 | 8.50s |
| #249 | Dots 3 Note Preview high | Dots Studio | 1 | 0.6 | $0.000 | 10/23 | 70.5s |
| #250 | Dots 3 Note Preview low | Dots Studio | 1 | 0.6 | $0.000 | 10/23 | 66.1s |
| #248 | MiMo-V2.5-Pro medium | Xiaomi | 1 | 0.6 | $0.332 | 11/23 | 56.7s |
| #247 | Gemini 3.5 Flash minimal | 2 | 0.6 | $0.508 | 13/23 | 4.67s | |
| #245 | Beam 1.0 501B A23B low | Reflection | 1 | 0.6 | $0.432 | 11/23 | 4.89s |
| #244 | Kimi K2.5 medium | Moonshot AI | 1 | 0.6 | $0.841 | 10/23 | 125.8s |
| #243 | Minimax M3.1 Flash xhigh | Minimax | 1 | 0.6 | $0.000 | 10/23 | 21.7s |
| #238 | Qwen3.5-122B-A10B none | Qwen | 1 | 0.6 | $0.308 | 7/23 | 14.8s |
| #237 | Laguna XS 2.1 medium | Poolside | 2 | 0.6 | $0.083 | 9/23 | 49.0s |
| #236 | Grok 4.3 medium | X AI | 1 | 0.6 | $0.989 | 12/23 | 44.5s |
| #235 | KAT-Coder-Pro V2.5 high | Kwaipilot | 1 | 0.6 | $0.506 | 11/23 | 21.2s |
| #234 | GLM 5.1 none | Z.ai | 1 | 0.6 | $0.451 | 9/23 | 11.1s |