Sarcini agentice: Răspuns greșit
Sarcini agentice
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. Sortează după: Cost total ↓.
Motive de eșec
136/136
Filtrează modelele
Niciun model nu corespunde căutării și filtrelor curente.
| Rang | Model | Companie | Număr de Răspuns greșit | Scor de categorie | Cost total | Teste corecte | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|---|
| #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 |