Clasament Sarcini agentice x Răspuns greșit

Vezi ce modele AI au cele mai mari șanse să întâmpine Răspuns greșit la Sarcini agentice, ca să găsești mai repede punctele slabe.

Modele afișate

Eșecuri totale

108

Modelul cel mai afectat

Grok 4.6 1

Motive de eșec

Răspuns greșit108 Apel de instrument invalid44 Eroare API32 Nu a urmat instrucțiunile14 Timp expirat10

Categorii

Specific domeniului766 Trucuri anti-AI446 Programare429 Rezolvare de puzzle-uri307 Cultură generală280 Combinat115 Inteligență generală112 Sarcini agentice108 Respectarea instrucțiunilor94 Parsare și extragere de date71

108/108

Rang	Model	Companie	Număr de Răspuns greșit	Scor de categorie	Cost total	Teste corecte	Timp de răspuns (mediu)
#62	Grok 4.6 high	X AI	1	5.0	$2.629	0/1	160.9s
Total teste 1 Teste greșite 1 Cost total $2.629 Timp de răspuns (mediu) 160.9s
#65	Qwen3.7 Max medium	Qwen	1	6.1	$2.046	0/1	137.0s
Total teste 1 Teste greșite 1 Cost total $2.046 Timp de răspuns (mediu) 137.0s
#78	Claude Opus 4.8 medium	Anthropic	1	6.1	$3.490	0/1	99.4s
Total teste 1 Teste greșite 1 Cost total $3.490 Timp de răspuns (mediu) 99.4s
#80	Grok 4.5 high	X AI	1	5.0	$2.571	0/1	77.0s
Total teste 1 Teste greșite 1 Cost total $2.571 Timp de răspuns (mediu) 77.0s
#90	DeepSeek V4.1 Flash low	DeepSeek	1	6.1	$0.153	0/1	56.0s
Total teste 1 Teste greșite 1 Cost total $0.153 Timp de răspuns (mediu) 56.0s
#102	Grok 4.5 medium	X AI	1	5.0	$2.454	0/1	65.2s
Total teste 1 Teste greșite 1 Cost total $2.454 Timp de răspuns (mediu) 65.2s
#105	Grok 4.6 medium	X AI	1	5.0	$2.270	0/1	103.6s
Total teste 1 Teste greșite 1 Cost total $2.270 Timp de răspuns (mediu) 103.6s
#108	Grok 4.5 low	X AI	1	5.0	$1.345	0/1	61.5s
Total teste 1 Teste greșite 1 Cost total $1.345 Timp de răspuns (mediu) 61.5s
#116	Qwen3.8 27B low	Qwen	1	6.1	~$0.089	0/1	211.3s
Total teste 1 Teste greșite 1 Cost total ~$0.089 Timp de răspuns (mediu) 211.3s
#124	DeepSeek V4 Flash 0731 low	DeepSeek	1	4.7	$0.307	0/1	321.2s
Total teste 1 Teste greșite 1 Cost total $0.307 Timp de răspuns (mediu) 321.2s
#127	Grok 4.7 low	X AI	1	5.0	$2.263	0/1	154.9s
Total teste 1 Teste greșite 1 Cost total $2.263 Timp de răspuns (mediu) 154.9s
#134	Grok 4.7 medium	X AI	1	3.9	$3.501	0/1	372.1s
Total teste 1 Teste greșite 1 Cost total $3.501 Timp de răspuns (mediu) 372.1s
#137	Qwen3.6 Plus medium	Qwen	1	4.7	$0.391	0/1	307.1s
Total teste 1 Teste greșite 1 Cost total $0.391 Timp de răspuns (mediu) 307.1s
#140	Qwen3.5 Plus 2026-02-15 medium	Qwen	1	6.1	$0.567	0/1	186.4s
Total teste 1 Teste greșite 1 Cost total $0.567 Timp de răspuns (mediu) 186.4s
#141	Qwen3.8 27B medium	Qwen	1	4.7	~$0.073	0/1	187.9s
Total teste 1 Teste greșite 1 Cost total ~$0.073 Timp de răspuns (mediu) 187.9s

Filtrează modelele

Top modele după Număr de Răspuns greșit

Număr de Răspuns greșit vs Scor

Top modele după Timp de răspuns (mediu)

Top modele după Cost irosit estimat

Sarcini agentice: Răspuns greșit

Filtrează modelele

Top modele după Număr de Răspuns greșit

Număr de Răspuns greșit vs Scor

Top modele după Timp de răspuns (mediu)

Top modele după Cost irosit estimatEstimarea include numai energia electrică a plăcii GPU. Restul computerului și achiziția hardware-ului nu sunt incluse. NVIDIA GeForce RTX 3090: 0.8932 h × 0.300 kW × €0.2896/kWh × 1.138 USD/EUR = ~$0.088310.

Top modele după Cost irosit estimat