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।
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) |
|---|---|---|---|---|---|---|---|
| #300 | Qwen3.5 Plus 2026-02-15 none | Qwen | 1 | 0.5 | $0.176 | 0/1 | 183.5s |
| #308 | Space Bunny Alpha xhigh | Stealth | 1 | 0.5 | $0.000 | 0/1 | 159.1s |
| #314 | Gemini 3.5 Flash none | 1 | 0.3 | $1.752 | 0/1 | 85.3s | |
| #319 | Qwen3.5 Plus 2026-04-20 none | Qwen | 1 | 0.6 | $0.216 | 0/1 | 137.1s |
| #327 | MiMo-V2.6-Pro none | Xiaomi | 1 | 0.5 | $0.193 | 0/1 | 66.1s |
| #342 | DeepSeek V4.1 Flash none | DeepSeek | 1 | 0.7 | $0.391 | 0/1 | 55.8s |
| #348 | Mistral Large 4 none | Mistral | 1 | 0.6 | $0.290 | 0/1 | 59.0s |
| #355 | Solar Pro 4 none | Upstage | 1 | 0.5 | $0.022 | 0/1 | 69.2s |
| #360 | Nemotron 3.5 Super VL none | NVIDIA | 1 | 0.5 | $0.040 | 0/1 | 71.1s |
| #365 | GPT-6 Luna none | OpenAI | 1 | 0.5 | $0.026 | 0/1 | 51.1s |
| #381 | Laguna XS 2.1 none | Poolside | 1 | 0.5 | $0.020 | 0/1 | 70.8s |
| #382 | Qwen3.6 35B A3B none | Qwen | 1 | 0.5 | $0.105 | 0/1 | 65.6s |
| #391 | Mercury 2.5 low | Inception | 1 | 0.5 | $0.020 | 0/1 | 47.1s |
| #393 | MiMo-V2.5-Pro none | Xiaomi | 1 | 0.4 | $0.135 | 0/1 | 49.6s |
| #394 | Apodex 1.1 Mini default | Apodex | 1 | 0.5 | $0.000 | 0/1 | 121.5s |