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
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) |
|---|---|---|---|---|---|---|---|
| #245 | Qwen3.6 Flash none | Qwen | 1 | 5.0 | $0.143 | 0/1 | 93.5s |
| #246 | Claude Sonnet 5 none | Anthropic | 1 | 4.7 | $1.095 | 0/1 | 64.7s |
| #247 | Nemotron 3 Ultra none | NVIDIA | 1 | 5.0 | $0.193 | 0/1 | 70.2s |
| #248 | Qwen3.7 Flash none | Qwen | 1 | 4.7 | $0.028 | 0/1 | 117.0s |
| #249 | GPT-5.6 Terra none | OpenAI | 1 | 5.0 | $0.516 | 0/1 | 58.0s |
| #254 | GPT-5 Nano medium | OpenAI | 1 | 4.7 | $0.139 | 0/1 | 94.1s |
| #255 | GPT-5.4 Mini none | OpenAI | 1 | 5.0 | $0.170 | 0/1 | 42.0s |
| #256 | Seed 2.1 Turbo none | Bytedance Seed | 1 | 5.0 | $0.182 | 0/1 | 71.4s |
| #257 | Dots 3 Note Preview medium | Dots Studio | 1 | 4.7 | $0.000 | 0/1 | 140.5s |
| #258 | Gemma 4 31B none | 1 | 3.9 | $0.030 | 0/1 | 44.7s | |
| #259 | Space Bunny Alpha low | Stealth | 1 | 4.7 | $0.000 | 0/1 | 89.0s |
| #260 | GPT-5.4 none | OpenAI | 1 | 5.0 | $0.690 | 0/1 | 43.7s |
| #262 | GLM 5 none | Z.ai | 1 | 5.0 | $0.126 | 0/1 | 74.8s |
| #263 | Qwen3.5-35B-A3B none | Qwen | 1 | 3.9 | $0.213 | 0/1 | 141.2s |
| #264 | Nemotron 3 Super medium | NVIDIA | 1 | 4.7 | $0.081 | 0/1 | 138.3s |