Warum dieser Benchmark nützlich ist
Tool Calling ist die Sanitäranlage hinter Agenten, Automationen und Forschungsassistenten. BFCL macht daraus einen öffentlichen Test statt jede Function-Call-Demo als Evidenz zu behandeln.
Berkeley Function Calling Leaderboard
BFCL
Ob ein Modell Funktionsaufrufe über Single-Turn-, Multi-Turn-, parallele und Live-API-artige Tool-Use-Aufgaben korrekt auswählt und formatiert.
Was dieser Benchmark nicht misst
- Nicht, ob das Tool-Ergebnis nützlich ist — BFCL fokussiert Auswahl und Formatierung von Calls, nicht den gesamten Produktworkflow danach.
- Keine Sicherheit der Tool-Ausführung — Berechtigungen, Prompt-Injection-Resistenz und Audit-Logs brauchen weiter produktspezifische Tests.
- Keine Langhorizont-Agentenzuverlässigkeit — bestandene Function-Call-Aufgaben beweisen nicht, dass ein System sich über Dutzende Schritte erholt.
Abdeckung
- Aufgabenfamilie
- Tool-Nutzung
- Format
- Function-/Tool-Calling-Aufgaben mit schema-gebundenen erwarteten Outputs über einfache, mehrstufige, parallele und live-ähnliche Settings.
- Bewertung
- Accuracy-artiger Wert je BFCL-Kategorie und Version. Die konkrete Kategorie ist wichtiger als das Aggregat.
- Verantwortliche Stelle
- Berkeley Gorilla
So liest du die Scores
Modelle nur innerhalb derselben BFCL-Version und Kategorie vergleichen. Ein Modell kann bei einfachen Calls stark und bei parallelen oder mehrstufigen Calls schwach sein.
Was er nicht abdeckt
- Nicht, ob das Tool-Ergebnis nützlich ist — BFCL fokussiert Auswahl und Formatierung von Calls, nicht den gesamten Produktworkflow danach.
- Keine Sicherheit der Tool-Ausführung — Berechtigungen, Prompt-Injection-Resistenz und Audit-Logs brauchen weiter produktspezifische Tests.
- Keine Langhorizont-Agentenzuverlässigkeit — bestandene Function-Call-Aufgaben beweisen nicht, dass ein System sich über Dutzende Schritte erholt.
Scores
20 ZeilenEvidenz-Ledger
2020 Zeilen
88.7%bester Score
0quellgeprüft
1Quellen
2026-04-15Quelldatum
Wo die Zeilen liegen
0255075100
Auf die Skala dieses Benchmarks normalisiert (0–100). Die Tabelle zeigt die Rohwerte.
Neueste Belege
- Claude Sonnet 4.688.7% · Berkeley Function Calling Leaderboard V4
- GPT 5.587.4% · Berkeley Function Calling Leaderboard V4
- Claude Opus 4.886.9% · Berkeley Function Calling Leaderboard V4
- Kimi K2.685.2% · Berkeley Function Calling Leaderboard V4
- GPT 5.483.8% · Berkeley Function Calling Leaderboard V4
Scores nutzen die eigene Einheit und Skala dieses Benchmarks, keinen universellen Qualitätswert.
| # | Modell | Veröffentlichung | Score | Herkunft | Beleglage |
|---|---|---|---|---|---|
| 1 | Claude Sonnet 4.6AnthropicV4 aggregate score; drill into multi-turn and parallel sub-scores before choosing. | 2026-02-17 | 88.7% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 2 | GPT 5.5OpenAI | 2026-04-23 | 87.4% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 3 | Claude Opus 4.8Anthropic | 2026-05-28 | 86.9% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 4 | Kimi K2.6Moonshot | 2026-04-20 | 85.2% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 5 | GPT 5.4OpenAI | 2026-03-05 | 83.8% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 6 | Gemini 3.5 FlashGoogle | 2026-05-19 | 82.3% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 7 | Gemini 3.1 ProGoogle | 2026-02-19 | 81.6% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 8 | Mistral Large 3Mistral | 2025-12-02 | 80.1% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 9 | Gemini 3 Flash PreviewGoogle | 2025-12-17 | 79.4% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 10 | Qwen 3.7 MaxAlibaba | 2026-05-20 | 78.4% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 11 | o3OpenAIStrong in simple single-turn; drops in multi-turn complexity. | 2025-04-16 | 78.1% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 12 | Grok 4.3xAI | 2026-04-30 | 77.2% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 13 | DeepSeek V4 Flash MaxDeepSeek | 2026-04-24 | 76.8% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 14 | MiniMax M3MiniMax | 2026-05-31 | 76.2% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 15 | Llama 4 MaverickMeta | 2026-04-05 | 75.9% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 16 | DeepSeek V4DeepSeek | 2026-04-24 | 74.6% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 17 | Llama 4 ScoutMeta | 2026-04-05 | 74.1% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 18 | DeepSeek R1DeepSeek | 2025-01-20 | 72.4% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 19 | Claude Haiku 4.5Anthropic | 2025-10-01 | 71.8% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
| 20 | Cohere Command ACohere | 2026-03-15 | 70.6% | Berkeley Function Calling Leaderboard V42026-04-15 | Prüfung nötig |
Was er abdeckt
Primärquelle ist das Berkeley-Gorilla-Leaderboard. VerdictPal sollte Kategorie und BFCL-Version in jeder Score-Zeile speichern.
Wo er an Grenzen stößt
Das Leaderboard ersetzt keinen Produkttest mit deinen Schemas, deinem Auth-Modell, Fehlerhandling und adversarial Inputs.
Tools, die ihn ausweisen
Belege
Quellen und weiterführende Lektüre
- Berkeley Function Calling Leaderboard V4· geprüft 2026-06-03
- Gorilla-Repository· geprüft 2026-06-03
- BFCL leaderboard
Fragen zu diesem Benchmark
Jede Antwort unten stammt aus den datierten Feldern dieser Seite. Nichts davon ist zusätzlich für Suchmaschinen geschrieben.
Was misst BFCL?
Ob ein Modell Funktionsaufrufe über Single-Turn-, Multi-Turn-, parallele und Live-API-artige Tool-Use-Aufgaben korrekt auswählt und formatiert.
Was beweist ein hoher BFCL-Wert nicht?
Ein starkes BFCL-Ergebnis sagt nichts aus über:
- Nicht, ob das Tool-Ergebnis nützlich ist — BFCL fokussiert Auswahl und Formatierung von Calls, nicht den gesamten Produktworkflow danach.
- Keine Sicherheit der Tool-Ausführung — Berechtigungen, Prompt-Injection-Resistenz und Audit-Logs brauchen weiter produktspezifische Tests.
- Keine Langhorizont-Agentenzuverlässigkeit — bestandene Function-Call-Aufgaben beweisen nicht, dass ein System sich über Dutzende Schritte erholt.
Wie wird BFCL bewertet?
Accuracy-artiger Wert je BFCL-Kategorie und Version. Die konkrete Kategorie ist wichtiger als das Aggregat. Aufgabenformat: Function-/Tool-Calling-Aufgaben mit schema-gebundenen erwarteten Outputs über einfache, mehrstufige, parallele und live-ähnliche Settings.
Ist BFCL gesättigt?
BFCL ist im Atlas derzeit als Aktiv markiert.
Können BFCL-Ergebnisse durch Trainingsdaten verunreinigt sein?
Das Kontaminationsrisiko für BFCL ist als Kontamination mittel eingestuft. Behandle jede Zeile auf dieser Seite als öffentliche Angabe mit Quelle und Datum, nicht als kontrolliertes Experiment.
The Pack · Redaktionsnewsletter
Neue Tools in dein Postfach. Kostenlos.
Eine kurze E-Mail, wenn ein Tool erscheint oder den Status wechselt. Kein Tracking, keine Drittanbieter-Analytics. Abmeldung mit einem Klick.