টুল কলিং x ভুল উত্তর র‌্যাঙ্কিং

AI BENCHY বিভাগীয় ব্যর্থতা

দেখুন টুল কলিং এ কোন AI মডেলগুলোর ভুল উত্তর হওয়ার সম্ভাবনা সবচেয়ে বেশি, যাতে দুর্বল দিক দ্রুত ধরা যায়। সাজান: প্রতিক্রিয়া সময় (গড়) ↑.

দেখানো মডেল

মোট ব্যর্থতা

সবচেয়ে বেশি প্রভাবিত মডেল

ব্যর্থতার কারণ

API ত্রুটি6 নির্দেশনা অনুসরণ করা হয়নি6 অবৈধ টুল কল3 কোন উত্তর নেই2 ভুল উত্তর2

বিভাগ

ডোমেইন-নির্দিষ্ট182 অ্যান্টি-এআই কৌশল165 ধাঁধা সমাধান85 নির্দেশনা অনুসরণ44 সমন্বিত37 কোডিং28 ডেটা পার্সিং ও নিষ্কাশন19 Sadharon Buddhimotta10 টুল কলিং2

র‍্যাঙ্ক	মডেল	কোম্পানি	ভুল উত্তর সংখ্যা	বিভাগ স্কোর	সঠিক টেস্ট	প্রতিক্রিয়া সময় (গড়)
#95	Grok 4.1 Fast none	X AI	1	2.8	0/1	5.51s
#74	GLM 4.7 Flash none	Z.ai	1	2.8	0/1	7.05s

ভুল উত্তর সংখ্যা অনুযায়ী শীর্ষ মডেল