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
136/136
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) |
|---|---|---|---|---|---|---|---|
| #320 | Step 5 Preview medium | Stepfun | 1 | 0.6 | $4.136 | 0/1 | 95.8s |
| #356 | Step 5 Preview low | Stepfun | 1 | 0.3 | $4.110 | 0/1 | 131.7s |
| #211 | Claude Opus 4.8 low | Anthropic | 1 | 0.5 | $3.787 | 0/1 | 110.7s |
| #130 | Claude Opus 4.8 medium | Anthropic | 1 | 0.6 | $3.490 | 0/1 | 99.4s |
| #340 | Hy4 high | Tencent | 1 | 0.5 | $3.055 | 0/1 | 123.4s |
| #165 | Grok 4.5 medium | X AI | 1 | 0.5 | $2.996 | 0/1 | 65.2s |
| #201 | Grok 4.7 medium | X AI | 1 | 0.4 | $2.938 | 0/1 | 372.1s |
| #217 | Claude Opus 5 none | Anthropic | 1 | 0.5 | $2.766 | 0/1 | 79.6s |
| #134 | Grok 4.5 high | X AI | 1 | 0.5 | $2.687 | 0/1 | 77.0s |
| #108 | Grok 4.6 high | X AI | 1 | 0.5 | $2.629 | 0/1 | 160.9s |
| #337 | Hy4 low | Tencent | 1 | 0.5 | $2.365 | 0/1 | 135.0s |
| #239 | Claude Opus 4.8 none | Anthropic | 1 | 0.5 | $2.334 | 0/1 | 65.1s |
| #168 | Grok 4.6 medium | X AI | 1 | 0.5 | $2.270 | 0/1 | 103.6s |
| #194 | Grok 4.7 low | X AI | 1 | 0.5 | $1.933 | 0/1 | 154.9s |
| #111 | Qwen3.7 Max medium | Qwen | 1 | 0.6 | $1.689 | 0/1 | 137.0s |