مهام الوكلاء: إجابة خاطئة
مهام الوكلاء
إجابة خاطئة
اكتشف أي نماذج الذكاء الاصطناعي هي الأكثر عرضة لظهور إجابة خاطئة في مهام الوكلاء، حتى ترصد نقاط الضعف بسرعة أكبر.
108/108
تصفية النماذج
لا توجد نماذج تطابق البحث والفلاتر الحالية.
| الترتيب | النموذج | الشركة | عدد إجابة خاطئة | درجة الفئة | إجمالي التكلفة | اختبارات صحيحة | زمن الاستجابة (المتوسط) |
|---|---|---|---|---|---|---|---|
| #174 | Solar Pro 4 xhigh | Upstage | 1 | 3.0 | $0.167 | 0/1 | 316.6s |
| #178 | Solar Pro 4 low | Upstage | 1 | 6.1 | $0.174 | 0/1 | 345.4s |
| #180 | MiniMax M3 medium | Minimax | 1 | 3.0 | $0.372 | 0/1 | 116.5s |
| #183 | GPT-5.6 Sol none | OpenAI | 1 | 5.0 | $0.472 | 0/1 | 58.3s |
| #185 | GPT-5.5 none | OpenAI | 1 | 5.0 | $1.212 | 0/1 | 57.5s |
| #187 | LongCat 2.0 low | Meituan | 1 | 6.1 | $0.495 | 0/1 | 145.6s |
| #188 | Mercury 2 medium | Inception | 1 | 4.7 | $0.121 | 0/1 | 34.9s |
| #189 | Step 3.7 Flash high | Stepfun | 1 | 5.4 | $1.350 | 0/1 | 130.4s |
| #192 | Qwen3.6 35B A3B medium | Qwen | 1 | 6.1 | $0.812 | 0/1 | 88.5s |
| #194 | Mercury 2.5 high | Inception | 1 | 3.9 | $0.044 | 0/1 | 80.3s |
| #202 | Gemini 3 Flash Preview none | 1 | 5.0 | $0.155 | 0/1 | 57.8s | |
| #204 | Solar Pro 4 medium | Upstage | 1 | 4.7 | $0.174 | 0/1 | 272.3s |
| #208 | Gemini 3.5 Flash minimal | 1 | 5.0 | $0.508 | 0/1 | 49.2s | |
| #209 | MiMo-V2.5-Pro medium | Xiaomi | 1 | 4.7 | $0.502 | 0/1 | 233.5s |
| #210 | Dots 3 Note Preview high | Dots Studio | 1 | 6.1 | $0.000 | 0/1 | 129.1s |