Berkeley Function-Calling Leaderboard
Berkeley Function-Calling Leaderboard是由加州大学伯克利分校Gorilla团队开发的大语言模型函数调用能力专业评估平台，核心定位是为AI研发领域提供标准化的函数调用性能基准
Berkeley Function-Calling Leaderboard是由加州大学伯克利分校Gorilla团队开发的大语言模型函数调用能力专业评估平台，核心定位是为AI研发领域提供标准化的函数调用性能基准。平台支持多维度模型性能对比、真实场景测试数据集下载、测试场景自定义配置、动态排名更新、能力维度细分评分五大核心功能，面向大语言模型研发人员、AI工具开发者、学术研究人员、AI产品经理、编程工具使用者、AI教育从业者等群体，可用于模型选型参考、研发效果验证、学术研究基准参考、产品技术选型等场景，帮助相关从业者客观了解不同大模型在工具调用、函数执行场景下的实际表现。
- 适用对象
- 大语言模型研发人员(模型性能评估场景)
- 主要功能
- 多模型排名对比、多场景测试覆盖
- 计费方式
- 免费
- 平台
- 网页
- 已收录
- 2026.06.14（139 天）
阅读目录
编辑评测与站内热度
编辑综合评分
满分 5 分
六维指标基于站内真实数据（热度、社区反馈、资料完整度、可达性核验等）综合评估，非用户投票。
全站热度排名
#1970
分类内排名
#36 / 82
累计站内点击
—
近 7 日点击
—
排名与点击为站内真实统计口径，反映 Toolifai 用户行为，非编辑评分。
Berkeley Function-Calling Leaderboard是什么，怎么使用？
约 5 分钟Berkeley Function-Calling Leaderboard是由加州大学伯克利分校Gorilla团队开发的大语言模型函数调用能力专业评估平台，核心定位是为AI研发领域提供标准化的函数调用性能基准。平台支持多维度模型性能对比、真实场景测试数据集下载、测试场景自定义配置、动态排名更新、能力维度细分评分五大核心功能，面向大语言模型研发人员、AI工具开发者、学术研究人员、AI产品经理、编程工具使用者、AI教育从业者等群体，可用于模型选型参考、研发效果验证、学术研究基准参考、产品技术选型等场景，帮助相关从业者客观了解不同大模型在工具调用、函数执行场景下的实际表现。
主要功能
- 多模型排名对比：平台收录国内外主流公开大语言模型的函数调用测试数据，用户进入页面后可直接查看所有参与测试模型的综合得分排名，支持按测试场景、参数规模、模型厂商等维度筛选，能够直观对比不同模型在同一测试标准下的表现差异，为模型选型提供量化参考。
- 多场景测试覆盖：测试数据集覆盖API调用、工具调用、多轮函数调用、参数校验、错误处理等10余种真实开发场景，每个测试用例均来自实际开发中的函数调用需求，避免实验室场景与真实应用的脱节，测试结果更贴合实际开发中的函数调用使用需求。
- 细分维度评分：平台除综合得分外，还会为每个模型输出函数名称匹配准确率、参数格式正确率、多轮调用上下文连贯性、异常场景处理能力、响应延迟等细分维度的单独评分，用户可以点击对应模型的详情页查看各维度的具体得分情况，精准定位不同模型的能力优势与短板。
- 测试数据下载：平台向所有用户开放测试数据集的下载权限，用户无需注册登录即可下载完整的测试用例集、标准答案集、模型测试原始结果等资料，研究人员可基于该数据集开展自定义模型测试，开发者也可将其作为模型训练的补充数据集使用。
- 动态更新机制：平台每两周更新一次测试结果，新发布的符合测试标准的公开大语言模型会被及时纳入测试范围，同时会定期更新测试用例库，补充新的函数调用场景与需求，保证测试结果的时效性，能够反映当下大语言模型函数调用能力的最新进展。
- 自定义测试提交：平台支持研发团队提交自研大模型的测试申请，按照页面提供的测试接口规范上传模型的调用信息后，平台会自动运行完整测试流程，测试完成后会自动生成对应模型的性能报告，用户可自主选择是否将测试结果公开到排行榜中。
怎么使用
- 1. 访问平台首页：通过官方URL进入排行榜主页面，页面顶部会显示平台的测试标准说明、更新时间等基础信息，可先阅读了解测试的基本规则与评估维度，明确排行榜的评估逻辑。2. 查看综合排名：页面核心区域展示所有参与测试模型的综合得分排名，默认按综合得分从高到低排序，可点击表头的不同维度名称，切换按对应维度的得分排序，快速定位符合需求的模型。3. 查看模型详情：点击任意模型的名称即可进入该模型的详情页面，查看其在各个细分测试维度的具体得分、不同场景下的通过率、测试用例的具体表现案例，全面了解模型的能力特点。4. 下载测试资源：点击页面顶部的「Dataset」按钮，进入数据集下载页面，可选择下载完整测试集、细分场景测试集、原始测试结果等不同类型的资源，按需选择对应版本下载即可。5. 提交模型测试：若需要测试自研模型，点击页面的「Submit Model」按钮，按照页面提示的接口规范准备模型调用信息，填写相关基础资料后提交申请，测试完成后会通过预留邮箱接收测试报告。
适合什么人群
- 大语言模型研发人员(模型性能评估场景)
- AI学术研究人员(函数调用能力研究场景)
- AI工具开发者(模型选型场景)
- AI产品经理(产品技术选型场景)
- AI教育从业者(大模型能力教学场景)
- 企业技术负责人(AI技术落地选型场景)
总结
这是由出色高校计算机团队开发的垂直领域评估基准平台，区别于通用大模型综合性能排行榜，它聚焦于函数调用这一细分能力，所有测试用例均来自真实开发场景，评估维度覆盖了从基础参数匹配到复杂多轮调用的全场景需求，测试标准公开透明，所有测试数据均可免费下载复用。对于关注大模型工具调用能力的从业者而言，这个平台的参考价值高于通用排行榜，其细分维度的评分能够帮助用户精准匹配不同应用场景的模型需求，同时开放的测试数据集也为相关研究提供了标准化的基准，避免了不同团队自行构建测试集带来的结果不可比问题。平台的更新频率较高，能够及时反映新模型的性能表现，是AI研发和落地过程中值得参考的标准化评估资源。
价格与免费额度
该平台所有公开功能均面向用户免费开放，无付费版本。免费版支持无限制查看所有公开模型的排名、详情得分，可免费下载全部测试数据集，也可免费提交自研模型的测试申请，无功能使用限制，也无使用次数限制。适合所有需要评估大语言模型函数调用能力的用户使用，无需支付任何费用即可获取全部公开资源与服务。
优点与不足
优点
- 评估维度聚焦函数调用细分场景，测试标准贴合真实开发需求，参考性强
- 所有测试数据集、原始测试结果完全公开，支持免费下载复用
- 支持自定义模型提交测试，自研模型团队可便捷获取标准化评估报告
- 测试结果包含多维度细分评分，可精准定位不同模型的能力优势与短板
- 更新频率稳定，新发布的主流模型会被及时纳入测试范围，结果时效性强
不足
- 仅支持英文函数调用场景测试，暂未覆盖中文语境下的函数调用需求
- 页面无多语言版本，对非英语使用者的友好度不足
- 自定义测试提交的审核周期较长，通常需要3-7个工作日才能完成测试
- 暂不支持用户上传自定义测试用例进行定向模型评估
能帮你做的 8 件事
- 01多模型排名对比
- 02多场景测试覆盖
- 03细分维度评分
- 04测试数据下载
- 05大模型评估场景的常用方案
- 06函数调用测试场景的常用方案
- 07大语言模型研发人员(模型性能评估场景)的日常效率工具
- 08零成本体验完整核心功能
更新历史
- Berkeley Function-Calling Leaderboard 收录进 Toolifai 目录
- 页面资料核验与信息更新
常见问题
这个排行榜的测试标准是什么？
排行榜的测试标准由伯克利Gorilla团队联合行业内多家AI研发机构共同制定，核心评估维度包括函数名称识别准确率、参数格式与类型匹配正确率、多轮函数调用的上下文连贯性、异常输入场景的处理能力、调用结果的合理性五个核心部分。所有测试用例均来自GitHub开源项目中的真实函数调用需求、公开API的调用场景以及实际开发中的工具调用案例，每个测试用例都配有明确的标准答案，测试过程完全自动化，避免人工评分带来的主观误差，测试结果的可复现性较强。
可以提交自己训练的模型参与测试吗？
支持提交自研模型参与测试，用户可以点击页面中的「Submit Model」按钮，按照页面提示的规范准备模型的调用接口信息、基础参数说明、相关文档资料，填写团队信息与联系方式后提交申请。平台团队会在3-7个工作日内完成申请审核，审核通过后会自动运行完整的测试流程，测试完成后会将完整的测试报告发送到用户预留的邮箱中，用户可以自主选择是否将模型的测试结果公开到排行榜中，未公开的测试结果仅提交者本人可查看。
测试数据集可以用于商业用途吗？
平台提供的测试数据集采用MIT开源协议，用户可以免费下载使用，支持用于学术研究、模型训练、产品开发等商业与非商业场景，使用时仅需保留数据集的来源说明即可。数据集分为完整版和细分场景版，完整版包含超过2000个不同场景的测试用例，覆盖通用工具调用、API调用、多轮函数调用、错误处理等多个场景，细分场景版则按照使用场景做了分类，用户可以根据自身需求选择对应的版本下载，无需提前申请或报备。
排行榜的更新频率是怎样的？
平台固定每两周更新一次排行榜内容，更新内容包括两部分，一是将最近两周新发布的符合测试标准的公开大语言模型纳入测试范围，补充到排行榜中；二是定期更新测试用例库，每次更新会新增100-200个新的测试用例，补充新的函数调用场景，保证测试场景能够覆盖当下最新的开发需求。如果出现测试标准调整的情况，平台会提前1个月在首页发布公告，同时重新测试所有已收录的模型，保证所有模型的测试结果都基于同一标准，避免不同版本测试标准带来的结果差异。
为什么不同模型的参数规模会影响测试结果？
通常情况下，大参数规模的模型在函数调用的综合表现上会优于小参数模型，但并不是绝对的，平台在展示排名时也会标注每个模型的参数规模，用户可以筛选相同参数规模的模型进行对比。函数调用能力不仅和模型参数规模相关，也和模型的训练数据、对齐方式、针对工具调用的专项优化有直接关系，部分小参数模型经过专项优化后，在特定场景下的函数调用表现会优于更大参数规模的通用模型。排行榜的细分维度评分也能够帮助用户看到不同参数规模模型在各场景下的表现差异，方便用户在性能和部署成本之间做权衡。
这个排行榜的结果和其他大模型排行榜有什么区别？
通用大模型排行榜通常会综合评估模型的常识问答、逻辑推理、语言生成、代码生成等多维度能力，而这个排行榜仅聚焦于函数调用这一个细分能力，评估维度更垂直，测试场景也更贴合工具调用、AI代理开发等实际落地场景。对于需要开发涉及工具调用、API调用、自动化流程的AI应用的用户而言，这个排行榜的参考价值更高，能够更精准地匹配应用场景的需求，避免出现通用评分高但函数调用表现不佳的情况。同时这个排行榜的所有测试数据完全公开，测试过程可复现，用户可以自行验证测试结果的准确性。
开始使用 Berkeley Function-Calling Leaderboard
从官方入口了解最新功能与使用方式。
由 Toolifai 编辑维护
欢迎产品方补充截图、功能介绍与官方资料。更新和纠错由编辑审核后发布。
