发现适合你的 AI

从一个名字或一项任务开始
API 服务选择模型接入渠道全球模型能力、规格与价格智能工具按任务发现实用工具MCP 大全连接工具、数据与工作流Agent Skills发现可复用的 Agent 技能测评榜单比较模型表现在线工具账号转换、JSON、费用估算与 API 诊断模型时间轴查看版本发布动态场景选型从实际用途开始
Enter搜索 · ↑↓选择结果Esc关闭
申请收录EN
项目测评

BFCL V4 工具调用、搜索与记忆

BFCL · 伯克利工具调用 · 109 条配置有公开分数，按独立指标查看结果和测试条件。

报告身份与条件

资料日期 2026-10-19 · 报告发布日期 —。运行日期与测试条件见各条记录。

榜单资料更新于

  • 综合与各任务保留官方成绩；本报告覆盖工具调用、多轮交互、联网搜索和记忆，不代表所有通用能力。
  • FC 为原生函数／工具调用，Prompt 为以文本生成实现调用；Thinking 配置单独保留。未标明模式的配置不推定调用方式。
  • 整套测试估算费用以 USD 表示，延迟以秒表示，格式敏感度以百分点表示；三者分别比较，不当作 API 报价。
  • 榜单资料更新日不等于每条配置的实际测试日。报告中的机构、型号链接与许可按原榜声明展示，许可适用范围以对应型号条款为准。
  • 成绩事实引用 BFCL 官方公开榜单；不复制测试题、答案、模型输出或基准实现。
访问报告原文 ↗

同一报告内分别比较指标，方向与口径见图表说明。
完整数值和运行条件见明细。

综合准确率

保留官方公布的综合准确率，不由本站分项重算；只在 BFCL V4 相同配置范围比较。 图示 8 / 109 条有值记录；运行配置与日期见明细。

查看图表数据 · 8 项
名称%
Claude-Opus-4-5-20251101 (FC)77.47
Claude-Sonnet-4-5-20250929 (FC)73.24
Gemini-3-Pro-Preview (Prompt)72.51
GLM-4.6 (FC thinking)72.38
Grok-4-1-fast-reasoning (FC)69.57
Claude-Haiku-4-5-20251001 (FC)68.7
Gemini-3-Pro-Preview (FC)68.14
o3-2025-04-16 (Prompt)63.05

整套测试估算费用

整套基准测试的估算总费用，USD；不是每任务成本、每成功任务成本或当前 API 单价。 图示 8 / 109 条有值记录；运行配置与日期见明细。

查看图表数据 · 8 项
名称USD
Qwen3-0.6B (FC)0.46
Llama-3.1-Nemotron-Ultra-253B-v1 (FC)0.72
Qwen3-14B (Prompt)1.35
Granite-4.0-350m (FC)1.44
Command R7B (FC)1.5
Qwen3-30B-A3B-Instruct-2507 (Prompt)1.56
Llama-3.2-1B-Instruct (FC)1.64
Falcon3-1B-Instruct (FC)1.72

完整结果与对象版本

109 / 109 条配置有本范围的公开分数；列表展示有分数的配置，缺项保留“未提供”。同名型号的不同运行配置分别列出。

Nanbeige4-3B-Thinking-2511 (FC)

报告所列型号

原生工具调用 · FC

多轮调用综合原榜第 15 名 · 综合准确率原榜第 25 名

报告所列机构：Nanbeige · 许可：apache-2.0 · 型号资料 ↗

综合准确率
51.4%
整套测试估算费用
14.14 USD
平均延迟
13.46 秒
延迟标准差
26.41 秒
展开其余指标
延迟 P95
37.45 秒
非实时 AST 综合
81.58%
非实时简单调用
63.83%
非实时多函数选择
93.5%
非实时并行调用
84.5%
非实时多函数并行
84.5%
实时 AST 综合
79.42%
实时简单调用
86.05%
实时多函数选择
78.06%
实时并行调用
75%
实时多函数并行
70.83%
多轮调用综合
51.12%
多轮基础任务
58.5%
多轮缺少函数
54%
多轮缺少参数
45%
多轮长上下文
47%
联网搜索综合
21.5%
含摘要搜索
31%
无摘要搜索
12%
记忆综合
36.77%
键值记忆
31.61%
向量记忆
34.19%
递归摘要记忆
44.52%
相关函数识别
75%
无关函数识别
83.09%
格式变化最大差值
未提供
格式变化标准差
未提供

Mistral-Medium-2505

报告所列型号

多轮调用综合原榜第 69 名 · 综合准确率原榜第 48 名

报告所列机构：Mistral AI · 许可：Proprietary · 型号资料 ↗

综合准确率
37.69%
整套测试估算费用
36.51 USD
平均延迟
1.21 秒
延迟标准差
3.5 秒
展开其余指标
延迟 P95
2.86 秒
非实时 AST 综合
85.33%
非实时简单调用
76.33%
非实时多函数选择
91%
非实时并行调用
88.5%
非实时多函数并行
85.5%
实时 AST 综合
66.03%
实时简单调用
80.23%
实时多函数选择
62.39%
实时并行调用
81.25%
实时多函数并行
62.5%
多轮调用综合
9.88%
多轮基础任务
13.5%
多轮缺少函数
6.5%
多轮缺少参数
6%
多轮长上下文
13.5%
联网搜索综合
39%
含摘要搜索
41%
无摘要搜索
37%
记忆综合
21.72%
键值记忆
16.13%
向量记忆
14.84%
递归摘要记忆
34.19%
相关函数识别
75%
无关函数识别
74.49%
格式变化最大差值
21.5 百分点
格式变化标准差
5.02 百分点

Hammer2.1-7b (FC)

报告所列型号

原生工具调用 · FC

多轮调用综合原榜第 46 名 · 综合准确率原榜第 64 名

报告所列机构：MadeAgents · 许可：cc-by-nc-4.0 · 型号资料 ↗

综合准确率
31.67%
整套测试估算费用
4.99 USD
平均延迟
5.77 秒
延迟标准差
10.29 秒
展开其余指标
延迟 P95
31.26 秒
非实时 AST 综合
85.5%
非实时简单调用
72.5%
非实时多函数选择
92.5%
非实时并行调用
91%
非实时多函数并行
86%
实时 AST 综合
69.5%
实时简单调用
66.67%
实时多函数选择
69.99%
实时并行调用
75%
实时多函数并行
75%
多轮调用综合
23.87%
多轮基础任务
24%
多轮缺少函数
28.5%
多轮缺少参数
21.5%
多轮长上下文
21.5%
联网搜索综合
0%
含摘要搜索
0%
无摘要搜索
0%
记忆综合
0%
键值记忆
0%
向量记忆
0%
递归摘要记忆
0%
相关函数识别
50%
无关函数识别
90.12%
格式变化最大差值
未提供
格式变化标准差
未提供

DeepSeek-V3.2-Exp (FC)

报告所列型号

原生工具调用 · FC

多轮调用综合原榜第 31 名 · 综合准确率原榜第 19 名

报告所列机构：DeepSeek · 许可：MIT · 型号资料 ↗

综合准确率
54.12%
整套测试估算费用
6.71 USD
平均延迟
5.83 秒
延迟标准差
11.71 秒
展开其余指标
延迟 P95
10.59 秒
非实时 AST 综合
34.85%
非实时简单调用
37.92%
非实时多函数选择
74%
非实时并行调用
15%
非实时多函数并行
12.5%
实时 AST 综合
53.66%
实时简单调用
66.28%
实时多函数选择
51.66%
实时并行调用
25%
实时多函数并行
25%
多轮调用综合
37.38%
多轮基础任务
41.5%
多轮缺少函数
39.5%
多轮缺少参数
33.5%
多轮长上下文
35%
联网搜索综合
69.5%
含摘要搜索
80%
无摘要搜索
59%
记忆综合
54.19%
键值记忆
41.94%
向量记忆
61.29%
递归摘要记忆
59.35%
相关函数识别
37.5%
无关函数识别
93.18%
格式变化最大差值
未提供
格式变化标准差
未提供

Claude-Sonnet-4-5-20250929 (FC)

报告所列型号

原生工具调用 · FC

多轮调用综合原榜第 9 名 · 综合准确率原榜第 2 名

报告所列机构：Anthropic · 许可：Proprietary · 型号资料 ↗

综合准确率
73.24%
整套测试估算费用
43.73 USD
平均延迟
4.31 秒
延迟标准差
4.43 秒
展开其余指标
延迟 P95
7.27 秒
非实时 AST 综合
88.65%
非实时简单调用
72.58%
非实时多函数选择
95.5%
非实时并行调用
94.5%
非实时多函数并行
92%
实时 AST 综合
81.13%
实时简单调用
89.53%
实时多函数选择
78.92%
实时并行调用
87.5%
实时多函数并行
83.33%
多轮调用综合
61.37%
多轮基础任务
69%
多轮缺少函数
65%
多轮缺少参数
52.5%
多轮长上下文
59%
联网搜索综合
81%
含摘要搜索
82%
无摘要搜索
80%
记忆综合
64.95%
键值记忆
54.19%
向量记忆
57.42%
递归摘要记忆
83.23%
相关函数识别
68.75%
无关函数识别
86.61%
格式变化最大差值
未提供
格式变化标准差
未提供

Command A Reasoning (FC)

报告所列型号

原生工具调用 · FC

多轮调用综合原榜第 17 名 · 综合准确率原榜第 13 名

报告所列机构：Cohere · 许可：CC-BY-NC 4.0 License (w/ Acceptable Use Addendum) · 型号资料 ↗

综合准确率
57.06%
整套测试估算费用
3.04 USD
平均延迟
3.44 秒
延迟标准差
4.91 秒
展开其余指标
延迟 P95
8.39 秒
非实时 AST 综合
86.27%
非实时简单调用
73.58%
非实时多函数选择
93.5%
非实时并行调用
89.5%
非实时多函数并行
88.5%
实时 AST 综合
78.61%
实时简单调用
80.23%
实时多函数选择
78.35%
实时并行调用
75%
实时多函数并行
75%
多轮调用综合
50.12%
多轮基础任务
61.5%
多轮缺少函数
41%
多轮缺少参数
49.5%
多轮长上下文
48.5%
联网搜索综合
55.5%
含摘要搜索
65%
无摘要搜索
46%
记忆综合
28.82%
键值记忆
16.13%
向量记忆
23.87%
递归摘要记忆
46.45%
相关函数识别
68.75%
无关函数识别
86.75%
格式变化最大差值
未提供
格式变化标准差
未提供

Phi-4 (Prompt)

报告所列型号

文本提示调用 · Prompt

多轮调用综合原榜第 85 名 · 综合准确率原榜第 70 名

报告所列机构：Microsoft · 许可：MIT · 型号资料 ↗

综合准确率
28.79%
整套测试估算费用
8.72 USD
平均延迟
9.49 秒
延迟标准差
26.73 秒
展开其余指标
延迟 P95
23.02 秒
非实时 AST 综合
69.56%
非实时简单调用
74.25%
非实时多函数选择
89.5%
非实时并行调用
65%
非实时多函数并行
49.5%
实时 AST 综合
60.7%
实时简单调用
65.5%
实时多函数选择
59.64%
实时并行调用
81.25%
实时多函数并行
41.67%
多轮调用综合
3.88%
多轮基础任务
9%
多轮缺少函数
0%
多轮缺少参数
3.5%
多轮长上下文
3%
联网搜索综合
4.5%
含摘要搜索
4%
无摘要搜索
5%
记忆综合
24.73%
键值记忆
17.42%
向量记忆
25.16%
递归摘要记忆
31.61%
相关函数识别
50%
无关函数识别
87.55%
格式变化最大差值
81.5 百分点
格式变化标准差
23.34 百分点

Claude-Opus-4-5-20251101 (Prompt)

报告所列型号

文本提示调用 · Prompt

多轮调用综合原榜第 56 名 · 综合准确率原榜第 57 名

报告所列机构：Anthropic · 许可：Proprietary · 型号资料 ↗

综合准确率
33.47%
整套测试估算费用
88.33 USD
平均延迟
3.76 秒
延迟标准差
13.19 秒
展开其余指标
延迟 P95
5.52 秒
非实时 AST 综合
89.65%
非实时简单调用
79.58%
非实时多函数选择
93.5%
非实时并行调用
93%
非实时多函数并行
92.5%
实时 AST 综合
76.02%
实时简单调用
84.5%
实时多函数选择
74.17%
实时并行调用
81.25%
实时多函数并行
62.5%
多轮调用综合
16.12%
多轮基础任务
20.5%
多轮缺少函数
9%
多轮缺少参数
21.5%
多轮长上下文
13.5%
联网搜索综合
13%
含摘要搜索
13%
无摘要搜索
13%
记忆综合
1.94%
键值记忆
1.29%
向量记忆
1.94%
递归摘要记忆
2.58%
相关函数识别
68.75%
无关函数识别
90.75%
格式变化最大差值
13 百分点
格式变化标准差
3.65 百分点

Gemini-2.5-Flash (Prompt)

报告所列型号

文本提示调用 · Prompt

多轮调用综合原榜第 53 名 · 综合准确率原榜第 26 名

报告所列机构：Google · 许可：Proprietary · 型号资料 ↗

综合准确率
50.9%
整套测试估算费用
33.45 USD
平均延迟
3.18 秒
延迟标准差
4.44 秒
展开其余指标
延迟 P95
6.09 秒
非实时 AST 综合
88.08%
非实时简单调用
77.33%
非实时多函数选择
91.5%
非实时并行调用
96%
非实时多函数并行
87.5%
实时 AST 综合
78.16%
实时简单调用
87.21%
实时多函数选择
75.97%
实时并行调用
81.25%
实时多函数并行
75%
多轮调用综合
16.75%
多轮基础任务
14.5%
多轮缺少函数
16.5%
多轮缺少参数
17.5%
多轮长上下文
18.5%
联网搜索综合
62%
含摘要搜索
60%
无摘要搜索
64%
记忆综合
38.71%
键值记忆
13.55%
向量记忆
47.1%
递归摘要记忆
55.48%
相关函数识别
62.5%
无关函数识别
91.09%
格式变化最大差值
9 百分点
格式变化标准差
2.45 百分点

Qwen3-235B-A22B-Instruct-2507 (FC)

报告所列型号

原生工具调用 · FC

多轮调用综合原榜第 21 名 · 综合准确率原榜第 31 名

报告所列机构：Qwen · 许可：apache-2.0 · 型号资料 ↗

综合准确率
47.99%
整套测试估算费用
2.5 USD
平均延迟
2.57 秒
延迟标准差
2.44 秒
展开其余指标
延迟 P95
6.27 秒
非实时 AST 综合
37.4%
非实时简单调用
40.58%
非实时多函数选择
36.5%
非实时并行调用
53%
非实时多函数并行
19.5%
实时 AST 综合
68.91%
实时简单调用
58.53%
实时多函数选择
71.6%
实时并行调用
68.75%
实时多函数并行
62.5%
多轮调用综合
45.38%
多轮基础任务
57.5%
多轮缺少函数
35%
多轮缺少参数
33.5%
多轮长上下文
55.5%
联网搜索综合
54%
含摘要搜索
57%
无摘要搜索
51%
记忆综合
23.87%
键值记忆
7.1%
向量记忆
18.71%
递归摘要记忆
45.81%
相关函数识别
87.5%
无关函数识别
81.73%
格式变化最大差值
未提供
格式变化标准差
未提供

GPT-5.2-2025-12-11 (FC)

报告所列型号

原生工具调用 · FC

多轮调用综合原榜第 42 名 · 综合准确率原榜第 16 名

报告所列机构：OpenAI · 许可：Proprietary · 型号资料 ↗

综合准确率
55.87%
整套测试估算费用
85.65 USD
平均延迟
2.23 秒
延迟标准差
9.75 秒
展开其余指标
延迟 P95
5.26 秒
非实时 AST 综合
81.85%
非实时简单调用
72.92%
非实时多函数选择
88%
非实时并行调用
89%
非实时多函数并行
77.5%
实时 AST 综合
70.39%
实时简单调用
71.71%
实时多函数选择
70.37%
实时并行调用
68.75%
实时多函数并行
58.33%
多轮调用综合
28.12%
多轮基础任务
36.5%
多轮缺少函数
18%
多轮缺少参数
27.5%
多轮长上下文
30.5%
联网搜索综合
75.5%
含摘要搜索
78%
无摘要搜索
73%
记忆综合
45.81%
键值记忆
33.55%
向量记忆
43.23%
递归摘要记忆
60.65%
相关函数识别
75%
无关函数识别
79.42%
格式变化最大差值
未提供
格式变化标准差
未提供

Llama-3.1-Nemotron-Ultra-253B-v1 (FC)

报告所列型号

原生工具调用 · FC

多轮调用综合原榜第 108 名 · 综合准确率原榜第 108 名

报告所列机构：NVIDIA · 许可：nvidia-open-model-license · 型号资料 ↗

综合准确率
10%
整套测试估算费用
0.72 USD
平均延迟
1.42 秒
延迟标准差
1.84 秒
展开其余指标
延迟 P95
2.4 秒
非实时 AST 综合
0%
非实时简单调用
0%
非实时多函数选择
0%
非实时并行调用
0%
非实时多函数并行
0%
实时 AST 综合
0%
实时简单调用
0%
实时多函数选择
0%
实时并行调用
0%
实时多函数并行
0%
多轮调用综合
0%
多轮基础任务
0%
多轮缺少函数
0%
多轮缺少参数
0%
多轮长上下文
0%
联网搜索综合
0%
含摘要搜索
0%
无摘要搜索
0%
记忆综合
0%
键值记忆
0%
向量记忆
0%
递归摘要记忆
0%
相关函数识别
0%
无关函数识别
100%
格式变化最大差值
未提供
格式变化标准差
未提供

Granite-3.1-8B-Instruct (FC)

报告所列型号

原生工具调用 · FC

多轮调用综合原榜第 76 名 · 综合准确率原榜第 81 名

报告所列机构：IBM · 许可：Apache-2.0 · 型号资料 ↗

综合准确率
27.1%
整套测试估算费用
9.32 USD
平均延迟
13.23 秒
延迟标准差
31.28 秒
展开其余指标
延迟 P95
65.19 秒
非实时 AST 综合
78.33%
非实时简单调用
67.33%
非实时多函数选择
92%
非实时并行调用
84%
非实时多函数并行
70%
实时 AST 综合
60.33%
实时简单调用
58.53%
实时多函数选择
61.82%
实时并行调用
18.75%
实时多函数并行
41.67%
多轮调用综合
7.5%
多轮基础任务
11.5%
多轮缺少函数
2%
多轮缺少参数
7.5%
多轮长上下文
9%
联网搜索综合
0.5%
含摘要搜索
1%
无摘要搜索
0%
记忆综合
14.41%
键值记忆
9.68%
向量记忆
7.1%
递归摘要记忆
26.45%
相关函数识别
68.75%
无关函数识别
79.98%
格式变化最大差值
未提供
格式变化标准差
未提供

ToolACE-2-8B (FC)

报告所列型号

原生工具调用 · FC

多轮调用综合原榜第 30 名 · 综合准确率原榜第 40 名

报告所列机构：Huawei Noah & USTC · 许可：Apache-2.0 · 型号资料 ↗

综合准确率
42.44%
整套测试估算费用
24.43 USD
平均延迟
15.95 秒
延迟标准差
40.06 秒
展开其余指标
延迟 P95
65.26 秒
非实时 AST 综合
87.1%
非实时简单调用
73.42%
非实时多函数选择
91%
非实时并行调用
93%
非实时多函数并行
91%
实时 AST 综合
77.42%
实时简单调用
71.32%
实时多函数选择
79.39%
实时并行调用
68.75%
实时多函数并行
62.5%
多轮调用综合
38.38%
多轮基础任务
49%
多轮缺少函数
28%
多轮缺少参数
30.5%
多轮长上下文
46%
联网搜索综合
8.5%
含摘要搜索
13%
无摘要搜索
4%
记忆综合
18.49%
键值记忆
5.81%
向量记忆
16.13%
递归摘要记忆
33.55%
相关函数识别
75%
无关函数识别
90.79%
格式变化最大差值
81.5 百分点
格式变化标准差
27.92 百分点

Falcon3-3B-Instruct (FC)

报告所列型号

原生工具调用 · FC

多轮调用综合原榜第 100 名 · 综合准确率原榜第 104 名

报告所列机构：TII UAE · 许可：falcon-llm-license · 型号资料 ↗

综合准确率
16.25%
整套测试估算费用
36.7 USD
平均延迟
38.52 秒
延迟标准差
107.47 秒
展开其余指标
延迟 P95
103.62 秒
非实时 AST 综合
54.62%
非实时简单调用
56.5%
非实时多函数选择
69.5%
非实时并行调用
67%
非实时多函数并行
25.5%
实时 AST 综合
54.48%
实时简单调用
57.36%
实时多函数选择
54.7%
实时并行调用
25%
实时多函数并行
33.33%
多轮调用综合
1%
多轮基础任务
1.5%
多轮缺少函数
0.5%
多轮缺少参数
0.5%
多轮长上下文
1.5%
联网搜索综合
1%
含摘要搜索
1%
无摘要搜索
1%
记忆综合
7.74%
键值记忆
6.45%
向量记忆
8.39%
递归摘要记忆
8.39%
相关函数识别
81.25%
无关函数识别
32.92%
格式变化最大差值
未提供
格式变化标准差
未提供

o3-2025-04-16 (Prompt)

报告所列型号

文本提示调用 · Prompt

多轮调用综合原榜第 8 名 · 综合准确率原榜第 8 名

报告所列机构：OpenAI · 许可：Proprietary · 型号资料 ↗

综合准确率
63.05%
整套测试估算费用
234.64 USD
平均延迟
4.83 秒
延迟标准差
7.01 秒
展开其余指标
延迟 P95
11.7 秒
非实时 AST 综合
81.94%
非实时简单调用
74.25%
非实时多函数选择
89%
非实时并行调用
86.5%
非实时多函数并行
78%
实时 AST 综合
73.21%
实时简单调用
83.33%
实时多函数选择
70.75%
实时并行调用
75%
实时多函数并行
70.83%
多轮调用综合
62.25%
多轮基础任务
68%
多轮缺少函数
63.5%
多轮缺少参数
54.5%
多轮长上下文
63%
联网搜索综合
50.5%
含摘要搜索
51%
无摘要搜索
50%
记忆综合
51.83%
键值记忆
33.55%
向量记忆
50.32%
递归摘要记忆
71.61%
相关函数识别
93.75%
无关函数识别
83.98%
格式变化最大差值
8.5 百分点
格式变化标准差
2.75 百分点

Qwen3-14B (Prompt)

报告所列型号

文本提示调用 · Prompt

多轮调用综合原榜第 45 名 · 综合准确率原榜第 47 名

报告所列机构：Qwen · 许可：apache-2.0 · 型号资料 ↗

综合准确率
37.77%
整套测试估算费用
1.35 USD
平均延迟
1.2 秒
延迟标准差
8.5 秒
展开其余指标
延迟 P95
2.3 秒
非实时 AST 综合
89.46%
非实时简单调用
76.83%
非实时多函数选择
93.5%
非实时并行调用
95.5%
非实时多函数并行
92%
实时 AST 综合
79.35%
实时简单调用
84.5%
实时多函数选择
78.06%
实时并行调用
87.5%
实时多函数并行
75%
多轮调用综合
26.13%
多轮基础任务
16.5%
多轮缺少函数
37.5%
多轮缺少参数
31%
多轮长上下文
19.5%
联网搜索综合
10.5%
含摘要搜索
6%
无摘要搜索
15%
记忆综合
11.18%
键值记忆
4.52%
向量记忆
6.45%
递归摘要记忆
22.58%
相关函数识别
81.25%
无关函数识别
87.18%
格式变化最大差值
14 百分点
格式变化标准差
3.97 百分点

GPT-4.1-nano-2025-04-14 (FC)

报告所列型号

原生工具调用 · FC

多轮调用综合原榜第 47 名 · 综合准确率原榜第 58 名

报告所列机构：OpenAI · 许可：Proprietary · 型号资料 ↗

综合准确率
33.05%
整套测试估算费用
5.66 USD
平均延迟
1.44 秒
延迟标准差
10.84 秒
展开其余指标
延迟 P95
2.26 秒
非实时 AST 综合
72.98%
非实时简单调用
59.92%
非实时多函数选择
79.5%
非实时并行调用
84%
非实时多函数并行
68.5%
实时 AST 综合
60.77%
实时简单调用
58.14%
实时多函数选择
61.44%
实时并行调用
68.75%
实时多函数并行
54.17%
多轮调用综合
23.62%
多轮基础任务
39.5%
多轮缺少函数
7.5%
多轮缺少参数
17.5%
多轮长上下文
30%
联网搜索综合
11%
含摘要搜索
13%
无摘要搜索
9%
记忆综合
18.92%
键值记忆
10.32%
向量记忆
19.35%
递归摘要记忆
27.1%
相关函数识别
93.75%
无关函数识别
66%
格式变化最大差值
未提供
格式变化标准差
未提供

Command R7B (FC)

报告所列型号

原生工具调用 · FC

多轮调用综合原榜第 72 名 · 综合准确率原榜第 61 名

报告所列机构：Cohere · 许可：cc-by-nc-4.0 · 型号资料 ↗

综合准确率
32.07%
整套测试估算费用
1.5 USD
平均延迟
1.38 秒
延迟标准差
2.87 秒
展开其余指标
延迟 P95
2.69 秒
非实时 AST 综合
80.96%
非实时简单调用
67.33%
非实时多函数选择
89.5%
非实时并行调用
85.5%
非实时多函数并行
81.5%
实时 AST 综合
69.06%
实时简单调用
62.79%
实时多函数选择
70.94%
实时并行调用
43.75%
实时多函数并行
70.83%
多轮调用综合
8.25%
多轮基础任务
12%
多轮缺少函数
0.5%
多轮缺少参数
10.5%
多轮长上下文
10%
联网搜索综合
27%
含摘要搜索
43%
无摘要搜索
11%
记忆综合
5.16%
键值记忆
2.58%
向量记忆
9.68%
递归摘要记忆
3.23%
相关函数识别
68.75%
无关函数识别
81.65%
格式变化最大差值
未提供
格式变化标准差
未提供

Grok-4-1-fast-reasoning (FC)

报告所列型号

原生工具调用 · FC

多轮调用综合原榜第 11 名 · 综合准确率原榜第 5 名

报告所列机构：xAI · 许可：Proprietary · 型号资料 ↗

综合准确率
69.57%
整套测试估算费用
17.26 USD
平均延迟
6.74 秒
延迟标准差
12.78 秒
展开其余指标
延迟 P95
17.57 秒
非实时 AST 综合
88.27%
非实时简单调用
77.58%
非实时多函数选择
93%
非实时并行调用
92.5%
非实时多函数并行
90%
实时 AST 综合
78.46%
实时简单调用
84.11%
实时多函数选择
77.3%
实时并行调用
75%
实时多函数并行
70.83%
多轮调用综合
58.87%
多轮基础任务
70.5%
多轮缺少函数
59.5%
多轮缺少参数
43%
多轮长上下文
62.5%
联网搜索综合
82.5%
含摘要搜索
82%
无摘要搜索
83%
记忆综合
53.98%
键值记忆
41.29%
向量记忆
57.42%
递归摘要记忆
63.23%
相关函数识别
81.25%
无关函数识别
79.43%
格式变化最大差值
未提供
格式变化标准差
未提供