Clasament Combinat x Apel de instrument invalid

Vezi ce modele AI au cele mai mari șanse să întâmpine Apel de instrument invalid la Combinat, ca să găsești mai repede punctele slabe.

Modele afișate

Eșecuri totale

180

Modelul cel mai afectat

Muse Spark 1.1 2

Motive de eșec

Apel de instrument invalid180 Răspuns greșit128 Eroare API62 Fără răspuns56 Timp expirat11 Formatare suplimentară1 Nu a urmat instrucțiunile1

Categorii

Combinat180 Sarcini agentice47 Apelare instrumente11

157/157

Rang	Model	Companie	Număr de Apel de instrument invalid	Scor de categorie	Cost total	Teste corecte	Timp de răspuns (mediu)
#133	DeepSeek V4 Flash 0731 medium	DeepSeek	1	0.7	$0.460	1/2	150.6s
Total teste 2 Teste greșite 1 Cost total $0.460 Timp de răspuns (mediu) 150.6s
#152	Qwen3.6 Flash medium	Qwen	1	0.7	$0.783	1/2	299.2s
Total teste 2 Teste greșite 1 Cost total $0.783 Timp de răspuns (mediu) 299.2s
#158	DeepSeek V4 Pro 0423 none	DeepSeek	1	0.8	$0.083	1/2	71.6s
Total teste 2 Teste greșite 1 Cost total $0.083 Timp de răspuns (mediu) 71.6s
#160	Gemma 4 26B A4B medium	Google	1	0.6	$0.101	1/2	492.9s
Total teste 2 Teste greșite 1 Cost total $0.101 Timp de răspuns (mediu) 492.9s
#161	GLM 5.3 Flash high	Z.ai	1	0.6	$0.056	1/2	91.1s
Total teste 2 Teste greșite 1 Cost total $0.056 Timp de răspuns (mediu) 91.1s
#167	Gemini 3.5 Flash Lite medium	Google	1	0.7	$0.440	1/2	17.9s
Total teste 2 Teste greșite 1 Cost total $0.440 Timp de răspuns (mediu) 17.9s
#169	Qwen3.5 Plus 2026-02-15 medium	Qwen	1	0.7	$0.567	1/2	175.8s
Total teste 2 Teste greșite 1 Cost total $0.567 Timp de răspuns (mediu) 175.8s
#170	Qwen3.8 27B medium	Qwen	1	0.9	~$0.073	1/2	124.5s
Total teste 2 Teste greșite 1 Cost total ~$0.073 Timp de răspuns (mediu) 124.5s
#173	Qwen3.7 Flash high	Qwen	1	0.7	$0.063	1/2	232.0s
Total teste 2 Teste greșite 1 Cost total $0.063 Timp de răspuns (mediu) 232.0s
#176	Step 3.7 Flash low	Stepfun	1	0.7	$0.449	1/2	66.2s
Total teste 2 Teste greșite 1 Cost total $0.449 Timp de răspuns (mediu) 66.2s
#178	Claude Opus 5 none	Anthropic	1	0.8	$2.766	1/2	30.5s
Total teste 2 Teste greșite 1 Cost total $2.766 Timp de răspuns (mediu) 30.5s
#179	Qwen3.8 Flash Next xhigh	Qwen	1	0.7	~$0.195	1/2	92.2s
Total teste 2 Teste greșite 1 Cost total ~$0.195 Timp de răspuns (mediu) 92.2s
#180	GLM 5.3 FlashX medium	Z.ai	1	0.3	$0.114	0/2	16.0s
Total teste 2 Teste greșite 2 Cost total $0.114 Timp de răspuns (mediu) 16.0s
#181	Minimax M3.1 Flash low	Minimax	1	0.7	$0.000	1/2	20.6s
Total teste 2 Teste greșite 1 Cost total $0.000 Timp de răspuns (mediu) 20.6s
#182	MiMo-V2.6-Flash low	Xiaomi	1	0.7	$0.200	1/2	20.8s
Total teste 2 Teste greșite 1 Cost total $0.200 Timp de răspuns (mediu) 20.8s

Filtrează modelele

Top modele după Număr de Apel de instrument invalid

Număr de Apel de instrument invalid vs Scor

Top modele după Timp de răspuns (mediu)

Top modele după Cost irosit estimat

Combinat: Apel de instrument invalid

Filtrează modelele

Top modele după Număr de Apel de instrument invalid

Număr de Apel de instrument invalid vs Scor

Top modele după Timp de răspuns (mediu)

Top modele după Cost irosit estimatEstimarea include numai energia electrică a plăcii GPU. Restul computerului și achiziția hardware-ului nu sunt incluse. NVIDIA GeForce RTX 3090: 0.7349 h × 0.300 kW × €0.2896/kWh × 1.138 USD/EUR = ~$0.072660.

Top modele după Cost irosit estimat