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) |
|---|---|---|---|---|---|---|---|
| #183 | MiMo-V2.5 medium | Xiaomi | 1 | 0.7 | $0.130 | 12/23 | 49.2s |
| #186 | Gemini 3.1 Flash Lite Preview medium | 1 | 0.7 | $0.158 | 14/23 | 6.78s | |
| #188 | Ember-1 low | Fireworks | 1 | 0.7 | $1.488 | 13/23 | 34.9s |
| #190 | Qwen3.5-122B-A10B medium | Qwen | 2 | 0.7 | $1.152 | 14/23 | 67.0s |
| #193 | Muse Glimmer 30B low | Meta | 2 | 0.7 | $0.219 | 11/23 | 22.4s |
| #194 | Minimax M3.1 Flash max | Minimax | 2 | 0.7 | $0.000 | 11/23 | 40.9s |
| #195 | Gemini 3.1 Flash Lite medium | 1 | 0.7 | $0.153 | 13/23 | 6.27s | |
| #196 | Ember-1 high | Fireworks | 1 | 0.7 | $2.405 | 12/23 | 58.1s |
| #197 | Gemma 4 31B medium | 1 | 0.7 | $0.144 | 14/23 | 78.8s | |
| #198 | GPT-5.6 Luna low | OpenAI | 1 | 0.7 | $0.049 | 11/23 | 6.96s |
| #199 | Claude Sonnet 5.5 low | Anthropic | 1 | 0.7 | $0.909 | 10/23 | 7.46s |
| #201 | Kimi K2.6 medium | Moonshot AI | 1 | 0.7 | $1.594 | 12/23 | 121.3s |
| #202 | Qwen3.5-Flash medium | Qwen | 1 | 0.7 | $0.184 | 12/23 | 83.7s |
| #203 | Inkling low | Thinkingmachines | 2 | 0.7 | $0.293 | 11/23 | 6.81s |
| #204 | Mercury 2.5 Preview medium | Inception | 1 | 0.7 | $0.039 | 15/23 | 6.66s |