Our new X account is live! Follow @wizwand_team for updates

Function Calling on BFCL (Berkeley Function Calling Leaderboard)

41.8Base Score

GenEnv

Updated 4d ago

Evaluation Results

Method	Links
GenEnv 2025.12		41.8	-	-	-	-	-	-
Qwen 2.5 72B 2025.12		35.3	-	-	-	-	-	-
Qwen 3 32B 2025.12		33.8	-	-	-	-	-	-
Qwen 3 14B 2025.12		29.4	-	-	-	-	-	-
GPT-OSS 20B 2025.12		24.4	-	-	-	-	-	-
GPT-OSS 120B 2025.12		21.9	-	-	-	-	-	-
Llama 3.1 70B 2025.12		13.4	-	-	-	-	-	-
Qwen 2.5 7B 2025.12		7	-	-	-	-	-	-
Llama 3.1 405B 2025.12		5.5	-	-	-	-	-	-
ReSearch 2025.12		5	-	-	-	-	-	-
SearchR1 2025.12		5	-	-	-	-	-	-
MatchTIR (KM) 2026.01		0.6	0.49	0.39	0.405	0.17	0.2602	0.3432
MatchTIR (OT) 2026.01		0.555	0.52	0.385	0.36	0.18	0.2387	0.3322
GRPO 2026.01		0.525	0.455	0.345	0.365	0.145	0.1892	0.2948
FTRL-S 2026.01		0.515	0.45	0.355	0.34	0.125	0.1742	0.2823
MatchTIR (KM) 2026.01		0.505	0.47	0.285	0.365	0.175	0.2215	0.3023
FTRL-M 2026.01		0.505	0.51	0.35	0.335	0.15	0.2194	0.3049
ToolRL-M 2026.01		0.5	0.375	0.29	0.3	0.105	0.228	0.2664
MatchTIR (OT) 2026.01		0.5	0.405	0.265	0.35	0.12	0.2172	0.2743
ToolRL-M 2026.01		0.5	0.47	0.395	0.32	0.155	0.1677	0.2913
Vanilla 2026.01		0.475	0.46	0.375	0.345	0.1	0.2043	0.283
GRPO 2026.01		0.45	0.375	0.265	0.295	0.095	0.2194	0.2517
FTRL-M 2026.01		0.445	0.41	0.325	0.295	0.065	0.228	0.2576
FTRL-S 2026.01		0.43	0.355	0.31	0.28	0.065	0.2344	0.2467
Vanilla 2026.01		0.415	0.31	0.265	0.275	0.09	0.1957	0.2296
ToolRL-S 2026.01		0.41	0.395	0.315	0.25	0.075	0.1763	0.2341
ToolRL-S 2026.01		0.325	0.31	0.225	0.2	0.075	0.1914	0.1991
ToRL 2025.12		0	-	-	-	-	-	-