अवैध टूल कॉल अपयशे
कोणत्या AI मॉडेल्सना अवैध टूल कॉल सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↑.
83/83
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) |
|---|---|---|---|---|---|---|---|
| #205 | Laguna Xs.2 none | Poolside | 1 | 3.8 | $0.004 | 5/19 | 806ms |
| #197 | Grok 4.20 none | X AI | 1 | 4.1 | $0.057 | 6/18 | 1.11s |
| #191 | Grok 4.20 Beta none | X AI | 1 | 4.4 | $0.087 | 6/18 | 1.19s |
| #193 | Elephant Alpha none | Openrouter | 1 | 4.3 | $0.000 | 5/21 | 1.22s |
| #195 | Elephant Alpha medium | Openrouter | 1 | 4.3 | $0.000 | 6/21 | 1.27s |
| #201 | Granite 4.1 8B none | IBM Granite | 2 | 4.0 | $0.007 | 2/22 | 1.45s |
| #159 | GPT-5.6 Luna none | OpenAI | 1 | 5.4 | $0.142 | 6/22 | 1.50s |
| #160 | Laguna XS 2.1 none | Poolside | 1 | 5.3 | $0.008 | 5/22 | 1.55s |
| #132 | GPT-5.6 Terra none | OpenAI | 1 | 6.0 | $0.349 | 8/22 | 1.65s |
| #88 | Gemini 3.5 Flash minimal | 2 | 6.8 | $0.300 | 14/22 | 2.65s | |
| #78 | Mercury 2 medium | Inception | 1 | 7.0 | $0.093 | 10/22 | 2.72s |
| #192 | Laguna M.1 none | Poolside | 1 | 4.4 | $0.009 | 4/19 | 2.89s |
| #164 | Inkling none | Thinkingmachines | 1 | 5.2 | $0.147 | 6/22 | 3.50s |
| #124 | Qwen3.6 Flash none | Qwen | 2 | 6.1 | $0.062 | 7/22 | 3.74s |
| #65 | Gemini 3.1 Flash Lite medium | 1 | 7.3 | $0.117 | 13/22 | 4.27s |