स्वायत्त एजंट कार्ये: चुकीचे उत्तर
स्वायत्त एजंट कार्ये
चुकीचे उत्तर
स्वायत्त एजंट कार्ये मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: एकूण खर्च ↑.
अयशस्वी होण्याची कारणे
108/108
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | श्रेणी स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #173 | Space Bunny Alpha max | Stealth | 1 | 6.1 | $0.000 | 0/1 | 90.6s |
| #210 | Dots 3 Note Preview high | Dots Studio | 1 | 6.1 | $0.000 | 0/1 | 129.1s |
| #211 | Dots 3 Note Preview low | Dots Studio | 1 | 6.1 | $0.000 | 0/1 | 161.2s |
| #221 | Space Bunny Alpha medium | Stealth | 1 | 6.1 | $0.000 | 0/1 | 153.1s |
| #257 | Dots 3 Note Preview medium | Dots Studio | 1 | 4.7 | $0.000 | 0/1 | 140.5s |
| #259 | Space Bunny Alpha low | Stealth | 1 | 4.7 | $0.000 | 0/1 | 89.0s |
| #273 | North Mini Code medium | Cohere | 1 | 3.9 | $0.000 | 0/1 | 105.2s |
| #299 | Dots 3 Note Preview none | Dots Studio | 1 | 3.9 | $0.000 | 0/1 | 45.7s |
| #316 | North Mini Code none | Cohere | 1 | 3.0 | $0.000 | 0/1 | 18.9s |
| #272 | Qwen3.8 27B none | Qwen | 1 | 5.0 | ~$0.010 | 0/1 | 47.4s |
| #297 | Mercury 2.5 Preview low | Inception | 1 | 5.0 | $0.015 | 0/1 | 84.5s |
| #342 | gpt-oss-120b none | OpenAI | 1 | 6.1 | $0.016 | 0/1 | 140.9s |
| #333 | Nemotron 3 Super none | NVIDIA | 1 | 2.8 | $0.016 | 0/1 | 30.5s |
| #300 | GPT-4o-mini none | OpenAI | 1 | 5.0 | $0.024 | 0/1 | 40.0s |
| #268 | Gemma 4 26B A4B none | 1 | 5.0 | $0.026 | 0/1 | 75.8s |