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।
ব্যর্থতার কারণ
136/136
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) |
|---|---|---|---|---|---|---|---|
| #230 | Grok 4.6 low | X AI | 1 | 0.5 | $0.781 | 0/1 | 58.0s |
| #231 | Gemini 3 Flash Preview low | 1 | 0.5 | $0.254 | 0/1 | 52.6s | |
| #234 | Gemini 3.1 Flash Lite medium | 1 | 0.5 | $0.153 | 0/1 | 47.8s | |
| #239 | Claude Opus 4.8 none | Anthropic | 1 | 0.5 | $2.334 | 0/1 | 65.1s |
| #240 | Kimi K2.6 medium | Moonshot AI | 1 | 0.5 | $1.594 | 0/1 | 233.9s |
| #244 | GPT-6 Sol none | OpenAI | 1 | 0.5 | $0.551 | 0/1 | 57.0s |
| #245 | Space Bunny Alpha max | Stealth | 1 | 0.6 | $0.000 | 0/1 | 90.6s |
| #246 | Solar Pro 4 xhigh | Upstage | 1 | 0.3 | $0.067 | 0/1 | 316.6s |
| #251 | Solar Pro 4 low | Upstage | 1 | 0.6 | $0.101 | 0/1 | 345.4s |
| #253 | MiniMax M3 medium | Minimax | 1 | 0.3 | $0.422 | 0/1 | 116.5s |
| #256 | GPT-5.6 Sol none | OpenAI | 1 | 0.5 | $0.795 | 0/1 | 58.3s |
| #257 | Apodex 1.1 Mini high | Apodex | 1 | 0.6 | $0.000 | 0/1 | 85.4s |
| #259 | GPT-5.5 none | OpenAI | 1 | 0.5 | $1.212 | 0/1 | 57.5s |
| #260 | GLM 5.2 none | Z.ai | 1 | 0.6 | $0.250 | 0/1 | 46.9s |
| #262 | LongCat 2.0 low | Meituan | 1 | 0.6 | $0.630 | 0/1 | 145.6s |