স্বায়ত্তশাসিত এজেন্টের কাজ: ভুল উত্তর
স্বায়ত্তশাসিত এজেন্টের কাজ
ভুল উত্তর
দেখুন স্বায়ত্তশাসিত এজেন্টের কাজ এ কোন AI মডেলগুলোর ভুল উত্তর হওয়ার সম্ভাবনা সবচেয়ে বেশি, যাতে দুর্বল দিক দ্রুত ধরা যায়। সাজান: সঠিক টেস্ট ↑.
ব্যর্থতার কারণ
108/108
মডেল ফিল্টার করুন
বর্তমান অনুসন্ধান ও ফিল্টারের সাথে কোনো মডেল মেলেনি।
| র্যাঙ্ক | মডেল | কোম্পানি | ভুল উত্তর সংখ্যা | বিভাগ স্কোর | মোট খরচ | সঠিক টেস্ট | প্রতিক্রিয়া সময় (গড়) |
|---|---|---|---|---|---|---|---|
| #62 | Grok 4.6 high | X AI | 1 | 5.0 | $2.629 | 0/1 | 160.9s |
| #65 | Qwen3.7 Max medium | Qwen | 1 | 6.1 | $2.046 | 0/1 | 137.0s |
| #78 | Claude Opus 4.8 medium | Anthropic | 1 | 6.1 | $3.490 | 0/1 | 99.4s |
| #80 | Grok 4.5 high | X AI | 1 | 5.0 | $2.571 | 0/1 | 77.0s |
| #90 | DeepSeek V4.1 Flash low | DeepSeek | 1 | 6.1 | $0.153 | 0/1 | 56.0s |
| #102 | Grok 4.5 medium | X AI | 1 | 5.0 | $2.454 | 0/1 | 65.2s |
| #105 | Grok 4.6 medium | X AI | 1 | 5.0 | $2.270 | 0/1 | 103.6s |
| #108 | Grok 4.5 low | X AI | 1 | 5.0 | $1.345 | 0/1 | 61.5s |
| #116 | Qwen3.8 27B low | Qwen | 1 | 6.1 | ~$0.089 | 0/1 | 211.3s |
| #124 | DeepSeek V4 Flash 0731 low | DeepSeek | 1 | 4.7 | $0.307 | 0/1 | 321.2s |
| #127 | Grok 4.7 low | X AI | 1 | 5.0 | $2.263 | 0/1 | 154.9s |
| #134 | Grok 4.7 medium | X AI | 1 | 3.9 | $3.501 | 0/1 | 372.1s |
| #137 | Qwen3.6 Plus medium | Qwen | 1 | 4.7 | $0.391 | 0/1 | 307.1s |
| #140 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 1 | 6.1 | $0.567 | 0/1 | 186.4s |
| #141 | Qwen3.8 27B medium | Qwen | 1 | 4.7 | ~$0.073 | 0/1 | 187.9s |