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) |
|---|---|---|---|---|---|---|---|
| #143 | Claude Opus 4.7 medium | Anthropic | 1 | 0.5 | $3.636 | 0/1 | 150.6s |
| #247 | Grok 4.7 xhigh | X AI | 1 | 0.3 | $3.398 | 0/1 | 304.8s |
| #252 | Grok 4.7 high | X AI | 1 | 0.3 | $3.037 | 0/1 | 322.2s |
| #127 | Gemini 3.5 Flash high | 1 | 0.3 | $2.737 | 0/1 | 87.3s | |
| #235 | Ember-1 high | Fireworks | 1 | 0.6 | $2.405 | 0/1 | 88.3s |
| #314 | Gemini 3.5 Flash none | 1 | 0.3 | $1.752 | 0/1 | 85.3s | |
| #140 | Kimi K3.1 Pro high | Moonshot AI | 1 | 0.7 | $1.646 | 0/1 | 93.4s |
| #227 | Ember-1 low | Fireworks | 1 | 0.5 | $1.488 | 0/1 | 121.3s |
| #248 | Grok Build 0.1 medium | X AI | 1 | 0.3 | $1.419 | 0/1 | 69.0s |
| #159 | Gemini 3.5 Flash medium | 1 | 0.3 | $1.316 | 0/1 | 84.5s | |
| #229 | Qwen3.5-122B-A10B medium | Qwen | 1 | 0.6 | $1.152 | 0/1 | 95.3s |
| #105 | Qwen3.8 Max (0902) low | Qwen | 1 | 0.6 | $1.131 | 0/1 | 136.0s |
| #276 | Grok 4.3 medium | X AI | 1 | 0.4 | $0.989 | 0/1 | 51.6s |
| #153 | GLM 5.3 FlashX max | Z.ai | 1 | 0.6 | $0.623 | 0/1 | 104.8s |
| #197 | Inkling medium | Thinkingmachines | 1 | 0.5 | $0.527 | 0/1 | 45.9s |