स्वायत्त एजंट कार्ये: अवैध टूल कॉल
स्वायत्त एजंट कार्ये
अवैध टूल कॉल
स्वायत्त एजंट कार्ये मध्ये कोणत्या AI मॉडेल्सना अवैध टूल कॉल येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↓.
अयशस्वी होण्याची कारणे
51/51
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | अवैध टूल कॉल संख्या | श्रेणी स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #252 | Grok 4.7 high | X AI | 1 | 0.3 | $3.037 | 0/1 | 322.2s |
| #247 | Grok 4.7 xhigh | X AI | 1 | 0.3 | $3.398 | 0/1 | 304.8s |
| #397 | MiniMax M2.7 medium | Minimax | 1 | 0.5 | $0.326 | 0/1 | 198.8s |
| #300 | Qwen3.5 Plus 2026-02-15 none | Qwen | 1 | 0.5 | $0.176 | 0/1 | 183.5s |
| #308 | Space Bunny Alpha xhigh | Stealth | 1 | 0.5 | $0.000 | 0/1 | 159.1s |
| #446 | Qwen3.5-9B medium | Qwen | 1 | 0.5 | $0.106 | 0/1 | 152.9s |
| #143 | Claude Opus 4.7 medium | Anthropic | 1 | 0.5 | $3.636 | 0/1 | 150.6s |
| #319 | Qwen3.5 Plus 2026-04-20 none | Qwen | 1 | 0.6 | $0.216 | 0/1 | 137.1s |
| #105 | Qwen3.8 Max (0902) low | Qwen | 1 | 0.6 | $1.131 | 0/1 | 136.0s |
| #407 | MiMo-V2.5 none | Xiaomi | 1 | 0.4 | $0.049 | 0/1 | 124.2s |
| #233 | Minimax M3.1 Flash max | Minimax | 1 | 0.5 | $0.000 | 0/1 | 124.0s |
| #394 | Apodex 1.1 Mini default | Apodex | 1 | 0.5 | $0.000 | 0/1 | 121.5s |
| #227 | Ember-1 low | Fireworks | 1 | 0.5 | $1.488 | 0/1 | 121.3s |
| #232 | Muse Glimmer 30B low | Meta | 1 | 0.6 | $0.219 | 0/1 | 105.0s |
| #153 | GLM 5.3 FlashX max | Z.ai | 1 | 0.6 | $0.623 | 0/1 | 104.8s |