अवैध टूल कॉल अपयश क्रमवारी

कोणत्या AI मॉडेल्सना अवैध टूल कॉल सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: स्कोअर ↓.

दाखवलेली मॉडेल्स

एकूण अपयशे

232

सर्वाधिक प्रभावित मॉडेल

Qwen3.8 MAX 1

श्रेणी

संयुक्त श्रेणीत177 स्वायत्त एजंट कार्ये श्रेणीत44 टूल कॉलिंग श्रेणीत11

190/190

क्रमांक	मॉडेल	कंपनी	अवैध टूल कॉल संख्या	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#155	DeepSeek V4 Pro 0423 none	DeepSeek	1	0.7	$0.083	10/23	14.1s
एकूण चाचण्या 23 चुकीच्या चाचण्या 13 एकूण खर्च $0.083 प्रतिसाद वेळ (सरासरी) 14.1s
#156	Inkling medium	Thinkingmachines	2	0.7	$0.527	15/23	17.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च $0.527 प्रतिसाद वेळ (सरासरी) 17.0s
#157	Gemma 4 26B A4B medium	Google	1	0.7	$0.101	16/23	105.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 7 एकूण खर्च $0.101 प्रतिसाद वेळ (सरासरी) 105.0s
#158	GLM 5.3 Flash high	Z.ai	1	0.7	$0.056	13/23	29.1s
एकूण चाचण्या 23 चुकीच्या चाचण्या 10 एकूण खर्च $0.056 प्रतिसाद वेळ (सरासरी) 29.1s
#164	Gemini 3.5 Flash Lite medium	Google	2	0.7	$0.440	14/23	8.68s
एकूण चाचण्या 23 चुकीच्या चाचण्या 9 एकूण खर्च $0.440 प्रतिसाद वेळ (सरासरी) 8.68s
#166	Qwen3.5 Plus 2026-02-15 medium	Qwen	1	0.7	$0.567	14/23	97.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 9 एकूण खर्च $0.567 प्रतिसाद वेळ (सरासरी) 97.7s
#167	Qwen3.8 27B medium	Qwen	1	0.7	~$0.073	14/23	40.1s
एकूण चाचण्या 23 चुकीच्या चाचण्या 9 एकूण खर्च ~$0.073 प्रतिसाद वेळ (सरासरी) 40.1s
#170	Qwen3.7 Flash high	Qwen	1	0.7	$0.063	13/23	45.5s
एकूण चाचण्या 23 चुकीच्या चाचण्या 10 एकूण खर्च $0.063 प्रतिसाद वेळ (सरासरी) 45.5s
#173	Step 3.7 Flash low	Stepfun	2	0.7	$0.449	11/23	20.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.449 प्रतिसाद वेळ (सरासरी) 20.7s
#174	Qwen3.6 27B medium	Qwen	2	0.7	$1.021	11/23	107.8s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $1.021 प्रतिसाद वेळ (सरासरी) 107.8s
#175	Claude Opus 5 none	Anthropic	1	0.7	$2.766	12/23	10.8s
एकूण चाचण्या 23 चुकीच्या चाचण्या 11 एकूण खर्च $2.766 प्रतिसाद वेळ (सरासरी) 10.8s
#176	Qwen3.8 Flash Next xhigh	Qwen	1	0.7	~$0.195	14/23	102.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 9 एकूण खर्च ~$0.195 प्रतिसाद वेळ (सरासरी) 102.7s
#177	GLM 5.3 FlashX medium	Z.ai	1	0.7	$0.114	12/23	7.37s
एकूण चाचण्या 23 चुकीच्या चाचण्या 11 एकूण खर्च $0.114 प्रतिसाद वेळ (सरासरी) 7.37s
#178	MiMo-V2.6-Flash low	Xiaomi	1	0.7	$0.200	12/23	54.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 11 एकूण खर्च $0.200 प्रतिसाद वेळ (सरासरी) 54.6s
#179	MiMo-V2.5 medium	Xiaomi	1	0.7	$0.130	12/23	49.2s
एकूण चाचण्या 23 चुकीच्या चाचण्या 11 एकूण खर्च $0.130 प्रतिसाद वेळ (सरासरी) 49.2s

अवैध टूल कॉल अपयशे

मॉडेल फिल्टर करा

अवैध टूल कॉल संख्या नुसार शीर्ष मॉडेल्स

अवैध टूल कॉल संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स