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
139/139
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) |
|---|---|---|---|---|---|---|---|
| #330 | Particle-1 none | Particle AI | 1 | 0.6 | $0.059 | 0/1 | 49.3s |
| #331 | GLM 5.3 FlashX low | Z.ai | 1 | 0.5 | $0.157 | 0/1 | 78.0s |
| #334 | Seed-2.0-Lite none | Bytedance Seed | 1 | 0.5 | $0.114 | 0/1 | 76.0s |
| #335 | Gemini 3.1 Flash Lite minimal | 1 | 0.5 | $0.080 | 0/1 | 50.0s | |
| #336 | gpt-oss-120b medium | OpenAI | 1 | 0.5 | $0.030 | 0/1 | 203.9s |
| #337 | Gemini 3.1 Flash Lite none | 1 | 0.5 | $0.069 | 0/1 | 43.8s | |
| #338 | Qwen3.6 Flash none | Qwen | 1 | 0.5 | $0.139 | 0/1 | 93.5s |
| #339 | Claude Sonnet 5 none | Anthropic | 1 | 0.5 | $1.095 | 0/1 | 64.7s |
| #340 | Nemotron 3 Ultra none | NVIDIA | 1 | 0.5 | $0.164 | 0/1 | 70.2s |
| #341 | Qwen3.7 Flash none | Qwen | 1 | 0.5 | $0.028 | 0/1 | 117.0s |
| #342 | Hy4 low | Tencent | 1 | 0.5 | $2.365 | 0/1 | 135.0s |
| #343 | Qwen3.8 Flash Next none | Qwen | 1 | 0.5 | ~$0.011 | 0/1 | 65.3s |
| #344 | DeepSeek V4.1 Flash 1017 none | DeepSeek | 1 | 0.5 | $0.055 | 0/1 | 43.9s |
| #345 | Hy4 high | Tencent | 1 | 0.5 | $3.055 | 0/1 | 123.4s |
| #346 | GPT-5.6 Terra none | OpenAI | 1 | 0.5 | $0.377 | 0/1 | 58.0s |