Berkeley Function Calling Leaderboard

What it measures

Ob Funktionsaufrufe syntaktisch und semantisch korrekt sind, inklusive Mehrfach- und Parallelaufrufen sowie dem Erkennen, wann NICHT aufzurufen ist.

What it does not measure

Laengere Agentenketten, Weltwissen.

How the score is composed

Details

Benchmaxxing risk

low

Difficulty

medium

Public test set

yes

Human-verified

yes

LLM-judged

no

Skala

0–100 % correct (höher besser)