综合 x 无效工具调用排名

看看哪些 AI 模型在综合上最容易遇到无效工具调用，更快找出薄弱点。

显示的模型数

失败总数

177

受影响最多的模型

失败原因

无效工具调用177 答案错误126 API 错误62 无答案55 超时11 未遵循指令1 额外格式1

分类

综合177 智能体任务44 工具调用11

154/154

排名	模型	公司	无效工具调用次数	分类得分	总成本	测试正确	响应时间（平均）
#402	Grok 4.20 Beta default	X AI	1	0.2	$0.087	0/1	6.48s
总测试数 1 错误测试数 1 总成本 $0.087 响应时间（平均） 6.48s
#403	Laguna M.1 default	Poolside	1	0.2	$0.009	0/1	4.32s
总测试数 1 错误测试数 1 总成本 $0.009 响应时间（平均） 4.32s
#407	Grok 4.20 none	X AI	1	0.2	$0.057	0/1	6.04s
总测试数 1 错误测试数 1 总成本 $0.057 响应时间（平均） 6.04s
#412	Xing4.0 29b A4b none	Xingchen AGI	1	0.3	$0.000	0/2	32.4s
总测试数 2 错误测试数 2 总成本 $0.000 响应时间（平均） 32.4s

←

1 10 11

筛选模型