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.
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) |
|---|---|---|---|---|---|---|---|
| #142 | Claude Opus 4.8 low | Anthropic | 1 | 4.7 | $3.787 | 0/1 | 110.7s |
| #143 | Qwen3.7 Flash high | Qwen | 1 | 4.7 | $0.063 | 0/1 | 135.9s |
| #144 | LongCat 2.0 medium | Meituan | 1 | 6.1 | $0.593 | 0/1 | 174.1s |
| #145 | GLM 5 medium | Z.ai | 1 | 4.7 | $0.360 | 0/1 | 110.7s |
| #149 | Claude Opus 5 none | Anthropic | 1 | 5.4 | $2.766 | 0/1 | 79.6s |
| #151 | MiMo-V2.6-Flash low | Xiaomi | 1 | 4.7 | $0.200 | 0/1 | 107.9s |
| #155 | Gemini 3.1 Flash Lite Preview medium | 1 | 5.0 | $0.158 | 0/1 | 54.9s | |
| #156 | Kimi K2.7 Code medium | Moonshot AI | 1 | 5.0 | $0.861 | 0/1 | 104.0s |
| #159 | Grok 4.6 low | X AI | 1 | 5.0 | $0.781 | 0/1 | 58.0s |
| #160 | Gemini 3 Flash Preview low | 1 | 5.0 | $0.254 | 0/1 | 52.6s | |
| #162 | Claude Opus 4.8 none | Anthropic | 1 | 5.4 | $2.328 | 0/1 | 69.1s |
| #163 | Gemini 3.1 Flash Lite medium | 1 | 5.0 | $0.153 | 0/1 | 47.8s | |
| #168 | Kimi K2.6 medium | Moonshot AI | 1 | 5.0 | $1.323 | 0/1 | 233.9s |
| #172 | GPT-6 Sol none | OpenAI | 1 | 5.0 | $0.551 | 0/1 | 57.0s |
| #173 | Space Bunny Alpha max | Stealth | 1 | 6.1 | $0.000 | 0/1 | 90.6s |