স্বায়ত্তশাসিত এজেন্টের কাজ: অবৈধ টুল কল
স্বায়ত্তশাসিত এজেন্টের কাজ
অবৈধ টুল কল
দেখুন স্বায়ত্তশাসিত এজেন্টের কাজ এ কোন AI মডেলগুলোর অবৈধ টুল কল হওয়ার সম্ভাবনা সবচেয়ে বেশি, যাতে দুর্বল দিক দ্রুত ধরা যায়। সাজান: মোট খরচ ↑.
ব্যর্থতার কারণ
51/51
মডেল ফিল্টার করুন
বর্তমান অনুসন্ধান ও ফিল্টারের সাথে কোনো মডেল মেলেনি।
| র্যাঙ্ক | মডেল | কোম্পানি | অবৈধ টুল কল সংখ্যা | বিভাগ স্কোর | মোট খরচ | সঠিক টেস্ট | প্রতিক্রিয়া সময় (গড়) |
|---|---|---|---|---|---|---|---|
| #124 | Ernie 5.5 Flash Preview high | Baidu | 1 | 0.6 | $0.000 | 0/1 | 64.0s |
| #233 | Minimax M3.1 Flash max | Minimax | 1 | 0.5 | $0.000 | 0/1 | 124.0s |
| #268 | Minimax M3.1 Flash high | Minimax | 1 | 0.6 | $0.000 | 0/1 | 70.5s |
| #297 | Minimax M3.1 Flash medium | Minimax | 1 | 0.7 | $0.000 | 0/1 | 67.8s |
| #308 | Space Bunny Alpha xhigh | Stealth | 1 | 0.5 | $0.000 | 0/1 | 159.1s |
| #394 | Apodex 1.1 Mini default | Apodex | 1 | 0.5 | $0.000 | 0/1 | 121.5s |
| #381 | Laguna XS 2.1 none | Poolside | 1 | 0.5 | $0.020 | 0/1 | 70.8s |
| #391 | Mercury 2.5 low | Inception | 1 | 0.5 | $0.020 | 0/1 | 47.1s |
| #355 | Solar Pro 4 none | Upstage | 1 | 0.5 | $0.022 | 0/1 | 69.2s |
| #413 | Mercury 2.5 Preview default | Inception | 1 | 0.4 | $0.023 | 0/1 | 85.0s |
| #365 | GPT-6 Luna none | OpenAI | 1 | 0.5 | $0.026 | 0/1 | 51.1s |
| #435 | Granite 4.2 8B none | IBM Granite | 1 | 0.5 | $0.037 | 0/1 | 49.2s |
| #243 | Mercury 2.5 Preview medium | Inception | 1 | 0.4 | $0.039 | 0/1 | 74.6s |
| #360 | Nemotron 3.5 Super VL none | NVIDIA | 1 | 0.5 | $0.040 | 0/1 | 71.1s |
| #407 | MiMo-V2.5 none | Xiaomi | 1 | 0.4 | $0.049 | 0/1 | 124.2s |