Ranking für Agentenaufgaben x Falsche Antwort

Sieh, welche KI-Modelle bei Agentenaufgaben am ehesten auf Falsche Antwort stoßen, damit du Schwachstellen schneller erkennst.

Angezeigte Modelle

Gesamtfehler

108

Am stärksten betroffenes Modell

Grok 4.6 1

Fehlergründe

Falsche Antwort108 Ungültiger Werkzeugaufruf44 API-Fehler32 Anweisungen nicht befolgt14 Zeitüberschreitung10

Kategorien

Domänenspezifisch766 Anti-KI-Tricks446 Programmierung429 Rätsellösen307 Allgemeinwissen280 Kombiniert115 Allgemeine Intelligenz112 Agentenaufgaben108 Befolgung von Anweisungen94 Datenanalyse und -extraktion71

108/108

Rang	Modell	Unternehmen	Falsche Antwort-Anzahl	Kategorie-Score	Gesamtkosten	Korrekte Tests	Antwortzeit (Durchschnitt)
#62	Grok 4.6 high	X AI	1	5.0	$2.629	0/1	160.9s
Gesamttests 1 Falsche Tests 1 Gesamtkosten $2.629 Antwortzeit (Durchschnitt) 160.9s
#65	Qwen3.7 Max medium	Qwen	1	6.1	$2.046	0/1	137.0s
Gesamttests 1 Falsche Tests 1 Gesamtkosten $2.046 Antwortzeit (Durchschnitt) 137.0s
#78	Claude Opus 4.8 medium	Anthropic	1	6.1	$3.490	0/1	99.4s
Gesamttests 1 Falsche Tests 1 Gesamtkosten $3.490 Antwortzeit (Durchschnitt) 99.4s
#80	Grok 4.5 high	X AI	1	5.0	$2.571	0/1	77.0s
Gesamttests 1 Falsche Tests 1 Gesamtkosten $2.571 Antwortzeit (Durchschnitt) 77.0s
#90	DeepSeek V4.1 Flash low	DeepSeek	1	6.1	$0.153	0/1	56.0s
Gesamttests 1 Falsche Tests 1 Gesamtkosten $0.153 Antwortzeit (Durchschnitt) 56.0s
#102	Grok 4.5 medium	X AI	1	5.0	$2.454	0/1	65.2s
Gesamttests 1 Falsche Tests 1 Gesamtkosten $2.454 Antwortzeit (Durchschnitt) 65.2s
#105	Grok 4.6 medium	X AI	1	5.0	$2.270	0/1	103.6s
Gesamttests 1 Falsche Tests 1 Gesamtkosten $2.270 Antwortzeit (Durchschnitt) 103.6s
#108	Grok 4.5 low	X AI	1	5.0	$1.345	0/1	61.5s
Gesamttests 1 Falsche Tests 1 Gesamtkosten $1.345 Antwortzeit (Durchschnitt) 61.5s
#116	Qwen3.8 27B low	Qwen	1	6.1	~$0.089	0/1	211.3s
Gesamttests 1 Falsche Tests 1 Gesamtkosten ~$0.089 Antwortzeit (Durchschnitt) 211.3s
#124	DeepSeek V4 Flash 0731 low	DeepSeek	1	4.7	$0.307	0/1	321.2s
Gesamttests 1 Falsche Tests 1 Gesamtkosten $0.307 Antwortzeit (Durchschnitt) 321.2s
#127	Grok 4.7 low	X AI	1	5.0	$2.263	0/1	154.9s
Gesamttests 1 Falsche Tests 1 Gesamtkosten $2.263 Antwortzeit (Durchschnitt) 154.9s
#134	Grok 4.7 medium	X AI	1	3.9	$3.501	0/1	372.1s
Gesamttests 1 Falsche Tests 1 Gesamtkosten $3.501 Antwortzeit (Durchschnitt) 372.1s
#137	Qwen3.6 Plus medium	Qwen	1	4.7	$0.391	0/1	307.1s
Gesamttests 1 Falsche Tests 1 Gesamtkosten $0.391 Antwortzeit (Durchschnitt) 307.1s
#140	Qwen3.5 Plus 2026-02-15 medium	Qwen	1	6.1	$0.567	0/1	186.4s
Gesamttests 1 Falsche Tests 1 Gesamtkosten $0.567 Antwortzeit (Durchschnitt) 186.4s
#141	Qwen3.8 27B medium	Qwen	1	4.7	~$0.073	0/1	187.9s
Gesamttests 1 Falsche Tests 1 Gesamtkosten ~$0.073 Antwortzeit (Durchschnitt) 187.9s

Modelle filtern

Top-Modelle nach Falsche Antwort-Anzahl

Falsche Antwort-Anzahl vs Punktzahl

Top-Modelle nach Antwortzeit (Durchschnitt)

Top-Modelle nach Geschätzte verschwendete Kosten

Agentenaufgaben: Falsche Antwort

Modelle filtern

Top-Modelle nach Falsche Antwort-Anzahl

Falsche Antwort-Anzahl vs Punktzahl

Top-Modelle nach Antwortzeit (Durchschnitt)

Top-Modelle nach Geschätzte verschwendete KostenNur geschätzte GPU-Stromkosten. Der übrige Computer und die Anschaffungskosten der Hardware sind nicht enthalten. NVIDIA GeForce RTX 3090: 0.8932 h × 0.300 kW × €0.2896/kWh × 1.138 USD/EUR = ~$0.088310.

Top-Modelle nach Geschätzte verschwendete Kosten