מבחן הערכה
Toolathlon
מדד משני
מה הוא מודד
שימוש בכלים: קריאה נכונה לפונקציות וממשקים חיצוניים · ביצוע משימות מרובות שלבים: ביצוע משימה רב שלבית מקצה לקצה
מה הוא לא מודד
- אין לגזור ממנו יכולת בתחומים שלא נכללו במשימות שלו.
תוצאות שנקלטו
| מערכת | ציון | פרוטוקול | מקור |
|---|---|---|---|
| Claude Opus 5 | 80.6 | Toolathlon-Verified · דיווח של הספק | קישור |
| Muse Spark 1.1 | 75.6 | Toolathlon · דיווח של הספק | קישור |
| DeepSeek V4 Pro 0813 | 74.1 | Toolathlon-Verified · דיווח של הספק | קישור |
| Qwen3.8-Flash-Next | 73.5 | Toolathlon-Verified · דיווח של הספק | קישור |
| Kimi K3 | 73.2 | Toolathlon-Verified · דיווח של הספק | קישור |
| GLM-5.3 | 73.0 | Toolathlon-Verified · דיווח של הספק | קישור |
| Claude Opus 4.8 | 59.9 | Toolathlon · דיווח של הספק | קישור |
| GPT-5.6 Sol | 58.0 | Toolathlon · דיווח של הספק | קישור |
| Gemini 3.5 Flash | 56.5 | Toolathlon · דיווח של הספק | קישור |
| GPT-5.5 | 55.6 | Toolathlon · דיווח של הספק | קישור |
| GPT-5.4 | 54.6 | Toolathlon · דיווח של הספק | קישור |
| Inkling-Small | 54.4 | Toolathlon-Verified · דיווח של הספק | קישור |
| GPT-5.6 Luna | 53.4 | Toolathlon · דיווח של הספק | קישור |
| GPT-5.6 Terra | 53.1 | Toolathlon · דיווח של הספק | קישור |
| Kimi K2.6 | 50.0 | Toolathlon · דיווח של הספק | קישור |
| GLM-5.2 | 48.2 | Toolathlon · דיווח של הספק | קישור |
| MiniMax M2.7 | 46.3 | Toolathlon · דיווח של הספק | קישור |
| Qwen3.6 Plus | 39.8 | Toolathlon · דיווח של הספק | קישור |
| GLM-5 | 38.0 | Toolathlon · מקור לא מאומת | קישור |
| GPT-5.4 nano | 35.5 | Toolathlon · דיווח של הספק | קישור |
| Kimi K2.5 | 27.8 | Toolathlon · דיווח של הספק | קישור |