AI BENCHY अपयशे
अवैध टूल कॉल अपयशे
कोणत्या AI मॉडेल्सना अवैध टूल कॉल सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: बरोबर चाचण्या ↓.
| क्रमांक | मॉडेल | कंपनी | अवैध टूल कॉल संख्या | स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #31 | GLM 5V Turbo medium | Z.ai | 2 | 7.8 | 11/18 | 15.0s |
| #64 | DeepSeek V3.2 none | DeepSeek | 1 | 6.1 | 7/18 | 12.1s |
| #71 | MiniMax M2.5 medium | Minimax | 1 | 5.7 | 5/18 | 39.6s |
| #74 | GLM 4.7 Flash none | Z.ai | 1 | 5.6 | 5/18 | 3.35s |
| #75 | GLM 5.1 none | Z.ai | 1 | 5.6 | 5/18 | 4.33s |
| #81 | Elephant medium | Openrouter | 1 | 5.2 | 5/18 | 1.27s |
| #82 | Grok 4.20 none | X AI | 1 | 5.2 | 5/18 | 1.11s |
| #85 | Elephant none | Openrouter | 1 | 5.2 | 5/18 | 1.23s |
| #79 | Grok 4.20 Beta none | X AI | 1 | 5.3 | 4/18 | 1.19s |
| #80 | MiniMax M2.7 medium | Minimax | 1 | 5.3 | 4/18 | 31.1s |
| #90 | Qwen3.5-9B none | Qwen | 1 | 4.8 | 4/18 | 1.47s |
| #93 | GLM 4.7 Flash medium | Z.ai | 1 | 4.6 | 4/18 | 32.3s |