개인 개발자가 BFCL v4 다단계 과제 100개를 모델별 5회 실행하고 최종 시스템 상태로 채점했다. 다섯 번 모두 성공한 과제는 Gemma4 26B 60개, Sonnet 5.5 57개, LFM2.5 24B 45개, Qwen3.8 27B 42개, Haiku 5.5 36개, gpt-oss 20B 28개였다. Qwen은 한 번 이상 성공한 과제가 83개여서 평균과 반복 신뢰도가 달랐다. 무조건 허용 답변은 요청 밖 작업을 유발했지만 범위를 제한하면 평균 차이는 4%포인트 이내였다. 로컬은 RTX 3090과 4비트 양자화, Claude는 확장 사고 없이 시험했으며 영어 소표본의 자체 측정이다.