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.
139/139
تصفية النماذج
لا توجد نماذج تطابق البحث والفلاتر الحالية.
| الترتيب | النموذج | الشركة | عدد إجابة خاطئة | درجة الفئة | إجمالي التكلفة | اختبارات صحيحة | زمن الاستجابة (المتوسط) |
|---|---|---|---|---|---|---|---|
| #265 | GLM 5.2 none | Z.ai | 1 | 0.6 | $0.250 | 0/1 | 46.9s |
| #267 | LongCat 2.0 low | Meituan | 1 | 0.6 | $0.630 | 0/1 | 145.6s |
| #268 | Mercury 2 medium | Inception | 1 | 0.5 | $0.121 | 0/1 | 34.9s |
| #269 | Step 3.7 Flash high | Stepfun | 1 | 0.5 | $1.478 | 0/1 | 130.4s |
| #270 | Beam 1.0 501B A23B medium | Reflection | 1 | 0.3 | $0.499 | 0/1 | 31.6s |
| #274 | Qwen3.6 35B A3B medium | Qwen | 1 | 0.6 | $0.834 | 0/1 | 88.5s |
| #276 | Mercury 2.5 high | Inception | 1 | 0.4 | $0.044 | 0/1 | 80.3s |
| #277 | Beam 1.0 501B A23B xhigh | Reflection | 1 | 0.3 | $0.688 | 0/1 | 44.6s |
| #284 | Gemini 3 Flash Preview none | 1 | 0.5 | $0.155 | 0/1 | 57.8s | |
| #285 | Beam 1.0 501B A23B max | Reflection | 1 | 0.3 | $0.799 | 0/1 | 50.1s |
| #286 | Solar Pro 4 medium | Upstage | 1 | 0.5 | $0.098 | 0/1 | 272.3s |
| #288 | Minimax M3.1 Flash xhigh | Minimax | 1 | 0.6 | $0.000 | 0/1 | 87.6s |
| #292 | Gemini 3.5 Flash minimal | 1 | 0.5 | $0.508 | 0/1 | 49.2s | |
| #294 | MiMo-V2.5-Pro medium | Xiaomi | 1 | 0.5 | $0.332 | 0/1 | 233.5s |
| #295 | Dots 3 Note Preview high | Dots Studio | 1 | 0.6 | $0.000 | 0/1 | 129.1s |