BenchLeader

BFCL Overall 排行榜

截至 2026年11月16日,BFCL Overall 的最高分为 77.5%,由 Claude Opus 4.5(Anthropic)取得,领先于 Claude Sonnet 4.5(73.2%)。共有 83 个模型配置公布了结果(Berkeley Function Calling Leaderboard)。Berkeley Function Calling Leaderboard 测试模型能否正确调用工具:选对函数、填写参数、处理多个或并行调用,以及知道何时不需要调用,涵盖单轮和多轮场景。BFCL Overall 计入 BenchLeader Index 的智能体与工具得分。

要点(截至 2026年11月16日)

  • Claude Opus 4.5 以 77.5% 保持 BFCL Overall 最高分(Berkeley Function Calling Leaderboard,2026年11月16日)。
  • Claude Sonnet 4.5 以 73.2% 位列 BFCL Overall 第二(Berkeley Function Calling Leaderboard,2026年11月16日)。
  • BFCL Overall:Berkeley Function Calling Leaderboard 的总体准确率(Berkeley Function Calling Leaderboard)。
  • BenchLeader 上有 83 个模型配置公布了 BFCL Overall 结果(BenchLeader,2026年11月16日)。
  • BFCL Overall 计入 BenchLeader Index 的智能体与工具类别(BenchLeader 方法论)。

Berkeley Function Calling Leaderboard 的总体准确率。

发布方
Berkeley Function Calling Leaderboard
类别
智能体与工具
Index 权重
1.0
模型
83
数据截至
2026年11月16日

Apache 2.0 — ShishirPatil/gorilla (BFCL).

测试内容

Berkeley Function Calling Leaderboard 测试模型能否正确调用工具:选对函数、填写参数、处理多个或并行调用,以及知道何时不需要调用,涵盖单轮和多轮场景。

评分方式

各类别的总体准确率,通过执行或检查调用来评估。

注意事项

部分结果由提供商提交;提示词方式与原生函数调用模式的结果不同。它衡量的是 API 式的工具使用,而不是开放式的自主行动能力。

前 15 名
  1. 1Claude Opus 4.577.5%
  2. 2Claude Sonnet 4.573.2%
  3. 3Gemini 3 Pro72.5%
  4. 4GLM-4.6 (thinking)72.4%
  5. 5Grok 4.1 Fast (thinking)69.6%
  6. 6Claude Haiku 4.568.7%
  7. 7o363.0%
  8. 8Grok 463.0%
  9. 9Kimi K259.1%
  10. 10Grok 4.1 Fast (none)58.3%
  11. 11Command A Reasoning (thinking)57.1%
  12. 12DeepSeek V3.2 (thinking)56.7%
  13. 13Gemini 2.5 Flash56.2%
  14. 14GPT-5.255.9%
  15. 15GPT-5 mini55.5%
83 / 83
#
1Claude Opus 4.577.5%57.1$86.55
2Claude Sonnet 4.573.2%53.8$43.73
3Gemini 3 Pro72.5%60.0$298.47
4GLM-4.6thinking72.4%51.4$4.64
5Grok 4.1 Fastthinking69.6%55.3$17.26
6Claude Haiku 4.568.7%47.7$14.23
7o363.0%60.4$234.64
8Grok 463.0%58.1$348.19
9Kimi K259.1%51.1$6.19
10Grok 4.1 Fast无推理58.3%43.1$16.27
11Command A Reasoningthinking57.1%–$3.04
12DeepSeek V3.2thinking56.7%56.7$57.75
13Gemini 2.5 Flash56.2%52.4$26.36
14GPT-5.255.9%56.7$85.65
15GPT-5 mini55.5%56.6$22.18
16Xlam 2 32B Fc R54.7%–$6.00
17DeepSeek V3.254.1%50.2$6.71
18GPT-4.154.0%48.7$100.75
19o4-mini53.2%55.2$81.91
20Xlam 2 70B Fc R53.1%–$25.10
21Qwen3 235B A22B 250752.1%50.7$3.12
22GPT-5 nano51.5%56.2$8.79
23Nanbeige4 3Bthinking51.4%–$14.14
24GPT-4.1 mini50.5%44.7$19.25
25Qwen3 32B48.7%51.2$153.08
26Nanbeige3.5 Prothinking47.7%–$23.46
27Xlam 2 8B Fc R46.7%–$20.92
28Command A46.5%42.1$91.37
29Bitagent Bounty 8B46.2%–$18.02
30Arch Agent 32B45.4%–$8.87
31Qwen3 8B42.6%–$43.32
32Toolace 2 8B42.4%–$24.43
33Qwen3 30B A3B 250741.4%48.0$5.62
34Xlam 2 3B Fc R41.2%–$3.36
35Qwen3 14B41.0%46.6$3.38
36Mistral Large 2.138.4%42.5$115.98
37Mistral Medium 337.7%44.3$36.51
38Llama 4 Maverick37.3%41.8$18.25
39Mistral Small 3.237.1%42.0$5.20
40Gemini 2.5 Flash-Lite36.9%48.3$7.55
41Qwen3-4B-Instruct-250735.7%42.0$6.37
42Arch Agent 3B35.4%–$3.70
43GPT-4.1 nano33.0%36.9$5.66
44Arch Agent 1 5B32.1%–$2.45
45Command R7b32.1%–$1.50
46Llama 3.3 70B31.9%39.9$29.54
47Hammer2.1 7B31.7%–$4.99
48Xlam 2 1B Fc R30.4%–$2.79
49Gemma 3 12B30.4%37.2$10.77
50Hammer2.1 3B29.7%–$10.89
51Gemma 3 27B29.5%39.7$11.82
52Phi-428.8%39.3$8.72
53Qwen3-1.7B28.4%–$4.33
54Llama 4 Scout28.1%38.2$24.68
55Coalm 70B28.0%–$19.89
56Hammer2 1.1 5B27.9%–$6.83
57Palmyra X 00427.9%–$178.15
58Open Mistral Nemo27.6%–$8.12
59Nova 2 Lite27.1%48.7$78.19
60Granite 3.1 8B27.1%41.7$9.32

更多智能体与工具基准测试 · 全部大模型基准测试

引用格式:BenchLeader,《BFCL Overall 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/bfcl_overall。

BFCL Overall:常见问题

BFCL Overall 衡量的是什么?
Berkeley Function Calling Leaderboard 测试模型能否正确调用工具:选对函数、填写参数、处理多个或并行调用,以及知道何时不需要调用,涵盖单轮和多轮场景。分数以完成任务的百分比表示,越高越好。
BFCL Overall 的最高分是多少?
截至 2026年11月16日,BFCL Overall 的最高分为 77.5%,由 Claude Opus 4.5 取得,领先于 Claude Sonnet 4.5(73.2%)。分数来自 Berkeley Function Calling Leaderboard,每天重新读取。
哪个 AI 模型在 BFCL Overall 上领先?
截至 2026年11月16日,BFCL Overall 排名第一的是 Claude Opus 4.5,分数为 77.5%。其后为 Claude Sonnet 4.5(73.2%)。
有多少模型有 BFCL Overall 结果?
BenchLeader 上有 83 个模型配置有 BFCL Overall 结果,全部取自 Berkeley Function Calling Leaderboard。
BFCL Overall 由谁运行,多久更新一次?
BFCL Overall 由 Berkeley Function Calling Leaderboard 发布。BenchLeader 每天重新读取一次公布的结果,并记录每个结果的发布日期。
BFCL Overall 是否计入 BenchLeader Index?
计入。BFCL Overall 计入 BenchLeader Index 的智能体与工具类别,并经过归一化,使参评模型的平均值为 50。