Рейтинг Комбинированный x Недопустимый вызов инструмента

Посмотрите, какие AI-модели чаще всего сталкиваются с Недопустимый вызов инструмента в Комбинированный, чтобы быстрее находить слабые места.

Показано моделей

Всего сбоев

177

Наиболее затронутая модель

Muse Spark 1.1 2

Причины сбоев

Недопустимый вызов инструмента177 Неверный ответ126 Ошибка API62 Нет ответа55 Тайм-аут11 Лишнее форматирование1 Не соблюдены инструкции1

Категории

Комбинированный177 Агентные задачи44 Вызов инструментов11

154/154

Ранг	Модель	Компания	Количество Недопустимый вызов инструмента	Оценка категории	Общая стоимость	Тестов верно	Время ответа (среднее)
#130	DeepSeek V4 Flash 0731 medium	DeepSeek	1	0.7	$0.460	1/2	150.6s
Всего тестов 2 Ошибочных тестов 1 Общая стоимость $0.460 Время ответа (среднее) 150.6s
#149	Qwen3.6 Flash medium	Qwen	1	0.7	$0.783	1/2	299.2s
Всего тестов 2 Ошибочных тестов 1 Общая стоимость $0.783 Время ответа (среднее) 299.2s
#155	DeepSeek V4 Pro 0423 none	DeepSeek	1	0.8	$0.083	1/2	71.6s
Всего тестов 2 Ошибочных тестов 1 Общая стоимость $0.083 Время ответа (среднее) 71.6s
#157	Gemma 4 26B A4B medium	Google	1	0.6	$0.101	1/2	492.9s
Всего тестов 2 Ошибочных тестов 1 Общая стоимость $0.101 Время ответа (среднее) 492.9s
#158	GLM 5.3 Flash high	Z.ai	1	0.6	$0.056	1/2	91.1s
Всего тестов 2 Ошибочных тестов 1 Общая стоимость $0.056 Время ответа (среднее) 91.1s
#164	Gemini 3.5 Flash Lite medium	Google	1	0.7	$0.440	1/2	17.9s
Всего тестов 2 Ошибочных тестов 1 Общая стоимость $0.440 Время ответа (среднее) 17.9s
#166	Qwen3.5 Plus 2026-02-15 medium	Qwen	1	0.7	$0.567	1/2	175.8s
Всего тестов 2 Ошибочных тестов 1 Общая стоимость $0.567 Время ответа (среднее) 175.8s
#167	Qwen3.8 27B medium	Qwen	1	0.9	~$0.073	1/2	124.5s
Всего тестов 2 Ошибочных тестов 1 Общая стоимость ~$0.073 Время ответа (среднее) 124.5s
#170	Qwen3.7 Flash high	Qwen	1	0.7	$0.063	1/2	232.0s
Всего тестов 2 Ошибочных тестов 1 Общая стоимость $0.063 Время ответа (среднее) 232.0s
#173	Step 3.7 Flash low	Stepfun	1	0.7	$0.449	1/2	66.2s
Всего тестов 2 Ошибочных тестов 1 Общая стоимость $0.449 Время ответа (среднее) 66.2s
#175	Claude Opus 5 none	Anthropic	1	0.8	$2.766	1/2	30.5s
Всего тестов 2 Ошибочных тестов 1 Общая стоимость $2.766 Время ответа (среднее) 30.5s
#176	Qwen3.8 Flash Next xhigh	Qwen	1	0.7	~$0.195	1/2	92.2s
Всего тестов 2 Ошибочных тестов 1 Общая стоимость ~$0.195 Время ответа (среднее) 92.2s
#177	GLM 5.3 FlashX medium	Z.ai	1	0.3	$0.114	0/2	16.0s
Всего тестов 2 Ошибочных тестов 2 Общая стоимость $0.114 Время ответа (среднее) 16.0s
#178	MiMo-V2.6-Flash low	Xiaomi	1	0.7	$0.200	1/2	20.8s
Всего тестов 2 Ошибочных тестов 1 Общая стоимость $0.200 Время ответа (среднее) 20.8s
#179	MiMo-V2.5 medium	Xiaomi	1	0.9	$0.130	1/2	78.0s
Всего тестов 2 Ошибочных тестов 1 Общая стоимость $0.130 Время ответа (среднее) 78.0s

Фильтровать модели

Лучшие модели по Количество Недопустимый вызов инструмента

Количество Недопустимый вызов инструмента против Оценка

Лучшие модели по Время ответа (среднее)

Лучшие модели по Оценочная стоимость потерь

Комбинированный: Недопустимый вызов инструмента

Фильтровать модели

Лучшие модели по Количество Недопустимый вызов инструмента

Количество Недопустимый вызов инструмента против Оценка

Лучшие модели по Время ответа (среднее)