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.
Motive de eșec
139/139
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) |
|---|---|---|---|---|---|---|---|
| #296 | Dots 3 Note Preview low | Dots Studio | 1 | 0.6 | $0.000 | 0/1 | 161.2s |
| #300 | Gemini 3.5 Flash Lite low | 1 | 0.5 | $0.183 | 0/1 | 53.9s | |
| #301 | Gemini 3.1 Flash Lite Preview low | 1 | 0.5 | $0.736 | 0/1 | 71.3s | |
| #303 | Gemini 3.1 Flash Lite low | 1 | 0.5 | $0.717 | 0/1 | 80.0s | |
| #304 | Solar Pro 4 high | Upstage | 1 | 0.3 | $0.077 | 0/1 | 312.3s |
| #306 | Ling 3.1 Flash low | Inclusionai | 1 | 0.5 | $0.000 | 0/1 | 101.5s |
| #308 | Space Bunny Alpha medium | Stealth | 1 | 0.6 | $0.000 | 0/1 | 153.1s |
| #309 | DeepSeek V3.2 medium | DeepSeek | 1 | 0.3 | $0.152 | 0/1 | 106.3s |
| #312 | Grok 4.20 medium | X AI | 1 | 0.3 | $1.246 | 0/1 | 128.3s |
| #317 | Gemini 3.1 Flash Lite Preview none | 1 | 0.5 | $0.090 | 0/1 | 48.6s | |
| #320 | Beam 1.0 501B A23B high | Reflection | 1 | 0.3 | $0.674 | 0/1 | 33.5s |
| #321 | Trinity Large Thinking medium | Arcee AI | 1 | 0.6 | $0.862 | 0/1 | 52.5s |
| #322 | Apodex 1.1 Mini low | Apodex | 1 | 0.5 | $0.000 | 0/1 | 104.2s |
| #325 | Step 5 Preview medium | Stepfun | 1 | 0.6 | $4.136 | 0/1 | 95.8s |
| #328 | Apodex 1.1 Mini medium | Apodex | 1 | 0.3 | $0.000 | 0/1 | 85.3s |