1. 排行榜出处

• Berkeley Function Calling Leaderboard（BFCL，gorilla.cs.berkeley.edu）——工具调用评测的事实标准，覆盖单轮/多轮/并行调用，按 pass@1 排名。Qwen 系列在里面对应档位都是第一梯队。
• Sierra 的 τ-bench（tau-bench.com）——更偏「智能体干活」的评测，多轮工具调用 + 真实业务场景，比纯 function calling 更接近你说的「听人指挥」。
• ToolBench、Gorilla OpenFunctions 也能参考，但更新频率不如前两个。
• 注意：基本没有「量化后工具调用能力」的排行榜——量化对工具调用的损伤只能自己测，方法见第 3 点。

2. 小显存怎么选

• 24G（7900xtx）：Qwen3-30B-A3B 这类小激活 MoE 是体感最优解——工具调用是几十轮往返，3B 激活的解码速度直接决定等待时间；Qwen3.6-27B dense 和 Gemma3-27B 的 Q4 也放得下，但速度差一截。
• 8G（4070）：27B 的 Q4 要 15G 以上，放不下。8G 实际能打的是 Qwen3-8B、GLM-4-9B（同尺寸里工具调用很强）、Gemma3-12B Q4 勉强压线。别为了「跑大模型」硬上 27B 的低量化档——工具调用对量化损伤比写文章敏感得多，降档后 function call 格式会先崩。

3. 自己测的方法
   BFCL 的评测集公开可下载，本地用 llama.cpp 的 JSON-schema grammar 或 vLLM 的 guided decoding 跑同一批 prompt，对比 pass@1 就行。比自己凭感觉换模型靠谱，也比等别人的二手结论快。

补充一句：terry 说 27B 最优是站在 24G 卡的角度，8G 卡的答案其实不一样——这就是上面第 2 点拆开说的原因。