Peringkat Tugas agen x Jawaban salah

Lihat model AI mana yang paling mungkin mengalami Jawaban salah di Tugas agen, agar Anda bisa menemukan titik lemahnya lebih cepat.

Model yang ditampilkan

Total kegagalan

108

Model yang paling terdampak

Grok 4.6 1

Alasan kegagalan

Jawaban salah108 Pemanggilan alat tidak valid44 Kesalahan API32 Tidak mengikuti instruksi14 Kedaluwarsa10

Kategori

Spesifik domain766 Trik anti-AI446 Pemrograman429 Pemecahan teka-teki307 Pengetahuan umum280 Gabungan115 Kecerdasan umum112 Tugas agen108 Kepatuhan instruksi94 Parsing dan ekstraksi data71

108/108

Peringkat	Model	Perusahaan	Jumlah Jawaban salah	Skor kategori	Total Biaya	Tes benar	Waktu respons (rata-rata)
#62	Grok 4.6 high	X AI	1	5.0	$2.629	0/1	160.9s
Total Tes 1 Tes Salah 1 Total Biaya $2.629 Waktu respons (rata-rata) 160.9s
#65	Qwen3.7 Max medium	Qwen	1	6.1	$2.046	0/1	137.0s
Total Tes 1 Tes Salah 1 Total Biaya $2.046 Waktu respons (rata-rata) 137.0s
#78	Claude Opus 4.8 medium	Anthropic	1	6.1	$3.490	0/1	99.4s
Total Tes 1 Tes Salah 1 Total Biaya $3.490 Waktu respons (rata-rata) 99.4s
#80	Grok 4.5 high	X AI	1	5.0	$2.571	0/1	77.0s
Total Tes 1 Tes Salah 1 Total Biaya $2.571 Waktu respons (rata-rata) 77.0s
#90	DeepSeek V4.1 Flash low	DeepSeek	1	6.1	$0.153	0/1	56.0s
Total Tes 1 Tes Salah 1 Total Biaya $0.153 Waktu respons (rata-rata) 56.0s
#102	Grok 4.5 medium	X AI	1	5.0	$2.454	0/1	65.2s
Total Tes 1 Tes Salah 1 Total Biaya $2.454 Waktu respons (rata-rata) 65.2s
#105	Grok 4.6 medium	X AI	1	5.0	$2.270	0/1	103.6s
Total Tes 1 Tes Salah 1 Total Biaya $2.270 Waktu respons (rata-rata) 103.6s
#108	Grok 4.5 low	X AI	1	5.0	$1.345	0/1	61.5s
Total Tes 1 Tes Salah 1 Total Biaya $1.345 Waktu respons (rata-rata) 61.5s
#116	Qwen3.8 27B low	Qwen	1	6.1	~$0.089	0/1	211.3s
Total Tes 1 Tes Salah 1 Total Biaya ~$0.089 Waktu respons (rata-rata) 211.3s
#124	DeepSeek V4 Flash 0731 low	DeepSeek	1	4.7	$0.307	0/1	321.2s
Total Tes 1 Tes Salah 1 Total Biaya $0.307 Waktu respons (rata-rata) 321.2s
#127	Grok 4.7 low	X AI	1	5.0	$2.263	0/1	154.9s
Total Tes 1 Tes Salah 1 Total Biaya $2.263 Waktu respons (rata-rata) 154.9s
#134	Grok 4.7 medium	X AI	1	3.9	$3.501	0/1	372.1s
Total Tes 1 Tes Salah 1 Total Biaya $3.501 Waktu respons (rata-rata) 372.1s
#137	Qwen3.6 Plus medium	Qwen	1	4.7	$0.391	0/1	307.1s
Total Tes 1 Tes Salah 1 Total Biaya $0.391 Waktu respons (rata-rata) 307.1s
#140	Qwen3.5 Plus 2026-02-15 medium	Qwen	1	6.1	$0.567	0/1	186.4s
Total Tes 1 Tes Salah 1 Total Biaya $0.567 Waktu respons (rata-rata) 186.4s
#141	Qwen3.8 27B medium	Qwen	1	4.7	~$0.073	0/1	187.9s
Total Tes 1 Tes Salah 1 Total Biaya ~$0.073 Waktu respons (rata-rata) 187.9s

Filter model

Model teratas menurut Jumlah Jawaban salah

Jumlah Jawaban salah vs Skor

Model teratas menurut Waktu respons (rata-rata)

Model teratas menurut Perkiraan biaya terbuang

Tugas agen: Jawaban salah

Filter model

Model teratas menurut Jumlah Jawaban salah

Jumlah Jawaban salah vs Skor

Model teratas menurut Waktu respons (rata-rata)

Model teratas menurut Perkiraan biaya terbuangPerkiraan hanya mencakup listrik GPU. Komponen komputer lain dan biaya kepemilikan perangkat keras tidak termasuk. NVIDIA GeForce RTX 3090: 0.8932 h × 0.300 kW × €0.2896/kWh × 1.138 USD/EUR = ~$0.088310.

Model teratas menurut Perkiraan biaya terbuang