स्वायत्त एजंट कार्ये x चुकीचे उत्तर क्रमवारी

स्वायत्त एजंट कार्ये मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: अपयशांची संख्या ↑.

दाखवलेली मॉडेल्स

एकूण अपयशे

108

सर्वाधिक प्रभावित मॉडेल

Grok 4.6 1

अयशस्वी होण्याची कारणे

चुकीचे उत्तर108 अवैध टूल कॉल44 API त्रुटी32 सूचनांचे पालन केले नाही14 वेळ संपला10

श्रेणी

डोमेन-विशिष्ट766 अँटी-एआय युक्त्या446 कोडिंग429 कोडी सोडवणे307 सामान्य ज्ञान280 संयुक्त115 Samanya Buddhimatta112 स्वायत्त एजंट कार्ये108 सूचनांचे पालन94 डेटा पार्सिंग आणि निष्कर्षण71

108/108

क्रमांक	मॉडेल	कंपनी	चुकीचे उत्तर संख्या	श्रेणी स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#62	Grok 4.6 high	X AI	1	5.0	$2.629	0/1	160.9s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $2.629 प्रतिसाद वेळ (सरासरी) 160.9s
#65	Qwen3.7 Max medium	Qwen	1	6.1	$2.046	0/1	137.0s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $2.046 प्रतिसाद वेळ (सरासरी) 137.0s
#78	Claude Opus 4.8 medium	Anthropic	1	6.1	$3.490	0/1	99.4s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $3.490 प्रतिसाद वेळ (सरासरी) 99.4s
#80	Grok 4.5 high	X AI	1	5.0	$2.571	0/1	77.0s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $2.571 प्रतिसाद वेळ (सरासरी) 77.0s
#90	DeepSeek V4.1 Flash low	DeepSeek	1	6.1	$0.153	0/1	56.0s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.153 प्रतिसाद वेळ (सरासरी) 56.0s
#102	Grok 4.5 medium	X AI	1	5.0	$2.454	0/1	65.2s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $2.454 प्रतिसाद वेळ (सरासरी) 65.2s
#105	Grok 4.6 medium	X AI	1	5.0	$2.270	0/1	103.6s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $2.270 प्रतिसाद वेळ (सरासरी) 103.6s
#108	Grok 4.5 low	X AI	1	5.0	$1.345	0/1	61.5s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $1.345 प्रतिसाद वेळ (सरासरी) 61.5s
#116	Qwen3.8 27B low	Qwen	1	6.1	~$0.089	0/1	211.3s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च ~$0.089 प्रतिसाद वेळ (सरासरी) 211.3s
#124	DeepSeek V4 Flash 0731 low	DeepSeek	1	4.7	$0.307	0/1	321.2s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.307 प्रतिसाद वेळ (सरासरी) 321.2s
#127	Grok 4.7 low	X AI	1	5.0	$2.263	0/1	154.9s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $2.263 प्रतिसाद वेळ (सरासरी) 154.9s
#134	Grok 4.7 medium	X AI	1	3.9	$3.501	0/1	372.1s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $3.501 प्रतिसाद वेळ (सरासरी) 372.1s
#137	Qwen3.6 Plus medium	Qwen	1	4.7	$0.391	0/1	307.1s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.391 प्रतिसाद वेळ (सरासरी) 307.1s
#140	Qwen3.5 Plus 2026-02-15 medium	Qwen	1	6.1	$0.567	0/1	186.4s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.567 प्रतिसाद वेळ (सरासरी) 186.4s
#141	Qwen3.8 27B medium	Qwen	1	4.7	~$0.073	0/1	187.9s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च ~$0.073 प्रतिसाद वेळ (सरासरी) 187.9s

मॉडेल फिल्टर करा

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स

अंदाजित वाया गेलेला खर्च नुसार शीर्ष मॉडेल्स

स्वायत्त एजंट कार्ये: चुकीचे उत्तर

मॉडेल फिल्टर करा

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स