测试Qwen 3 Coder在OpenRouter上的工具调用性能

这是对OpenRouter上Qwen 3 Coder进行工具调用测试的*早期*运行。运行时存在差异，后续需要平滑处理。

我所测试的内容：
• AI模型实际使用工具的能力
• 在长消息链中测试真正的原生工具调用
• 测试模型是否以正确的参数调用正确的工具

关键指标：
• 工具召回率：是否调用了应该调用的工具？（越高越好）
• 工具精确率：调用的工具是否确实需要？（越高越好）
• 参数准确性：是否使用了正确的值？（越高越好）
• 场景成功率：完整工作流是否实际有效？（越高越好）

最终得分计算：
• 结合5个指标：场景成功率 + 工具F1 + 参数准确性（结构）+ 参数准确性（语义）+ 执行成功率
• 每个指标等权重，平均转换为0-100%
• A+ = 90%+, A = 85%+, B = 70%+

结果显示提供商之间差异巨大，但再次提醒会有几个百分点的运行时差异，不过这很酷，现在将其与我的tps测试配对。我认为我们可以开始客观地找出应该使用哪个提供商。

成本是接下来要解决的问题之一。

另外，抱歉没有排序，但你可以看到@cerebras和阿里巴巴的得分实际上非常接近。我有详细的细分数据。

最后一点：我在考虑是否也要做模拟工具调用（基于提示的工具调用）。