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.
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) |
|---|---|---|---|---|---|---|---|
| #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 |
| #314 | Gemini 3.5 Flash none | 1 | 0.3 | $1.752 | 0/1 | 85.3s | |
| #319 | Qwen3.5 Plus 2026-04-20 none | Qwen | 1 | 0.6 | $0.216 | 0/1 | 137.1s |
| #327 | MiMo-V2.6-Pro none | Xiaomi | 1 | 0.5 | $0.193 | 0/1 | 66.1s |
| #342 | DeepSeek V4.1 Flash none | DeepSeek | 1 | 0.7 | $0.391 | 0/1 | 55.8s |
| #348 | Mistral Large 4 none | Mistral | 1 | 0.6 | $0.290 | 0/1 | 59.0s |
| #355 | Solar Pro 4 none | Upstage | 1 | 0.5 | $0.022 | 0/1 | 69.2s |
| #360 | Nemotron 3.5 Super VL none | NVIDIA | 1 | 0.5 | $0.040 | 0/1 | 71.1s |
| #365 | GPT-6 Luna none | OpenAI | 1 | 0.5 | $0.026 | 0/1 | 51.1s |
| #381 | Laguna XS 2.1 none | Poolside | 1 | 0.5 | $0.020 | 0/1 | 70.8s |
| #382 | Qwen3.6 35B A3B none | Qwen | 1 | 0.5 | $0.105 | 0/1 | 65.6s |
| #391 | Mercury 2.5 low | Inception | 1 | 0.5 | $0.020 | 0/1 | 47.1s |
| #393 | MiMo-V2.5-Pro none | Xiaomi | 1 | 0.4 | $0.135 | 0/1 | 49.6s |
| #394 | Apodex 1.1 Mini default | Apodex | 1 | 0.5 | $0.000 | 0/1 | 121.5s |