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) |
|---|---|---|---|---|---|---|---|
| #277 | Inkling none | Thinkingmachines | 1 | 0.6 | $0.292 | 7/23 | 5.30s |
| #278 | Qwen3.5 Plus 2026-04-20 none | Qwen | 1 | 0.6 | $0.216 | 8/23 | 18.5s |
| #279 | Step 5 Preview medium | Stepfun | 1 | 0.6 | $4.136 | 10/23 | 136.1s |
| #281 | KAT-Coder-Pro V2.5 default | Kwaipilot | 1 | 0.6 | $0.742 | 11/23 | 25.0s |
| #284 | GLM 5.3 FlashX low | Z.ai | 1 | 0.6 | $0.157 | 11/23 | 9.69s |
| #285 | MiMo-V2.6-Pro none | Xiaomi | 1 | 0.6 | $0.193 | 9/23 | 9.66s |
| #286 | Inkling Small medium | Thinkingmachines | 2 | 0.6 | $0.113 | 10/23 | 6.03s |
| #289 | gpt-oss-120b medium | OpenAI | 1 | 0.6 | $0.030 | 9/23 | 31.6s |
| #291 | Qwen3.6 Flash none | Qwen | 2 | 0.6 | $0.139 | 7/23 | 7.63s |
| #294 | Qwen3.7 Flash none | Qwen | 1 | 0.6 | $0.028 | 7/23 | 14.7s |
| #297 | GPT-5.6 Terra none | OpenAI | 1 | 0.6 | $0.377 | 8/23 | 4.11s |
| #298 | DeepSeek V4.1 Flash none | DeepSeek | 1 | 0.6 | $0.391 | 7/23 | 16.6s |
| #299 | Ling 3.0 Flash high | Inclusionai | 2 | 0.6 | $0.021 | 12/23 | 13.1s |
| #300 | Ring 2.6 1t medium | Inclusionai | 1 | 0.6 | $0.102 | 11/23 | 65.5s |
| #301 | Trinity Large Thinking high | Arcee AI | 2 | 0.6 | $0.794 | 6/23 | 74.5s |