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) |
|---|---|---|---|---|---|---|---|
| #351 | GPT-5 Nano medium | OpenAI | 1 | 0.5 | $0.159 | 0/1 | 94.1s |
| #352 | GPT-5.4 Mini none | OpenAI | 1 | 0.5 | $0.170 | 0/1 | 42.0s |
| #354 | Seed 2.1 Turbo none | Bytedance Seed | 1 | 0.5 | $0.182 | 0/1 | 71.4s |
| #355 | Hy4 none | Tencent | 1 | 0.5 | $0.114 | 0/1 | 75.6s |
| #356 | Dots 3 Note Preview medium | Dots Studio | 1 | 0.5 | $0.000 | 0/1 | 140.5s |
| #357 | Gemma 4 31B none | 1 | 0.4 | $0.031 | 0/1 | 44.7s | |
| #358 | Space Bunny Alpha low | Stealth | 1 | 0.5 | $0.000 | 0/1 | 89.0s |
| #359 | GPT-5.4 none | OpenAI | 1 | 0.5 | $0.690 | 0/1 | 43.7s |
| #361 | Step 5 Preview low | Stepfun | 1 | 0.3 | $4.110 | 0/1 | 131.7s |
| #362 | ERNIE-Light-DT-1.0 none | Baidu | 1 | 0.5 | $0.524 | 0/1 | 49.9s |
| #363 | GLM 5 none | Z.ai | 1 | 0.5 | $0.140 | 0/1 | 74.8s |
| #364 | Qwen3.5-35B-A3B none | Qwen | 1 | 0.4 | $0.120 | 0/1 | 141.2s |
| #366 | Nemotron 3 Super medium | NVIDIA | 1 | 0.5 | $0.081 | 0/1 | 138.3s |
| #367 | Kimi K2.6 none | Moonshot AI | 1 | 0.5 | $0.486 | 0/1 | 175.2s |
| #368 | Ling 3.1 Flash none | Inclusionai | 1 | 0.6 | $0.000 | 0/1 | 68.7s |