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: प्रतिसाद वेळ (सरासरी) ↑.
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) |
|---|---|---|---|---|---|---|---|
| #316 | North Mini Code none | Cohere | 1 | 3.0 | $0.000 | 0/1 | 18.9s |
| #333 | Nemotron 3 Super none | NVIDIA | 1 | 2.8 | $0.016 | 0/1 | 30.5s |
| #188 | Mercury 2 medium | Inception | 1 | 4.7 | $0.121 | 0/1 | 34.9s |
| #300 | GPT-4o-mini none | OpenAI | 1 | 5.0 | $0.024 | 0/1 | 40.0s |
| #255 | GPT-5.4 Mini none | OpenAI | 1 | 5.0 | $0.170 | 0/1 | 42.0s |
| #260 | GPT-5.4 none | OpenAI | 1 | 5.0 | $0.690 | 0/1 | 43.7s |
| #244 | Gemini 3.1 Flash Lite none | 1 | 5.0 | $0.069 | 0/1 | 43.8s | |
| #258 | Gemma 4 31B none | 1 | 3.9 | $0.030 | 0/1 | 44.7s | |
| #321 | GPT-5.4 Nano none | OpenAI | 1 | 3.9 | $0.068 | 0/1 | 45.4s |
| #292 | Mistral Small 4 none | Mistral | 1 | 5.0 | $0.047 | 0/1 | 45.5s |
| #299 | Dots 3 Note Preview none | Dots Studio | 1 | 3.9 | $0.000 | 0/1 | 45.7s |
| #272 | Qwen3.8 27B none | Qwen | 1 | 5.0 | ~$0.010 | 0/1 | 47.4s |
| #163 | Gemini 3.1 Flash Lite medium | 1 | 5.0 | $0.153 | 0/1 | 47.8s | |
| #230 | Gemini 3.1 Flash Lite Preview none | 1 | 5.0 | $0.090 | 0/1 | 48.6s | |
| #208 | Gemini 3.5 Flash minimal | 1 | 5.0 | $0.508 | 0/1 | 49.2s |