स्वायत्त एजंट कार्ये: सूचनांचे पालन केले नाही
स्वायत्त एजंट कार्ये
सूचनांचे पालन केले नाही
स्वायत्त एजंट कार्ये मध्ये कोणत्या AI मॉडेल्सना सूचनांचे पालन केले नाही येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: बरोबर चाचण्या ↑.
अयशस्वी होण्याची कारणे
14/14
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | सूचनांचे पालन केले नाही संख्या | श्रेणी स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #66 | Gemini 3.5 Flash Lite high | 1 | 7.4 | $0.649 | 0/1 | 63.8s | |
| #104 | Step 3.7 Flash medium | Stepfun | 1 | 7.4 | $0.571 | 0/1 | 93.9s |
| #132 | GLM 5.3 Flash high | Z.ai | 1 | 7.4 | $0.084 | 0/1 | 111.5s |
| #135 | Gemini 2.5 Flash medium | 1 | 3.0 | $0.644 | 0/1 | 6.54s | |
| #147 | Gemini 3.8 Flash low | 1 | 5.9 | $0.334 | 0/1 | 62.9s | |
| #186 | Qwen3.7 Flash medium | Qwen | 1 | 5.2 | $0.076 | 0/1 | 149.0s |
| #197 | GLM 5.2 none | Z.ai | 1 | 5.2 | $0.161 | 0/1 | 52.3s |
| #203 | Qwen3.5 Plus 2026-02-15 none | Qwen | 1 | 5.9 | $0.173 | 0/1 | 183.5s |
| #213 | Qwen3.5-35B-A3B medium | Qwen | 1 | 7.4 | $1.249 | 0/1 | 126.8s |
| #232 | Trinity Large Thinking low | Arcee AI | 1 | 6.4 | $0.703 | 0/1 | 73.0s |
| #266 | Gemini 2.5 Flash none | 1 | 3.0 | $0.017 | 0/1 | 1.81s | |
| #317 | Laguna S 2.1 none | Poolside | 1 | 5.4 | $0.047 | 0/1 | 149.3s |
| #324 | Laguna S 2.1 low | Poolside | 1 | 2.8 | $0.109 | 0/1 | 152.1s |
| #338 | Mercury 2 none | Inception | 1 | 3.0 | $0.033 | 0/1 | 9.00s |