Srovnání schopností AI modelů
Použití počítače
Only models released within the past year are shown. Only benchmarks covering at least 3 of these models are shown. Unknown release dates are excluded; historical data is retained.
CUA-benchBenchmark agenta pro používání počítače
— means no published score for this candidate in this source, not zero.5/11 recent-year models have scores
| Č. | Model | Est. API costOdhadované náklady na API pro vyhodnocení | Input costCena vstupu za milion tokenů | Output costCena výstupu za milion tokenů | Time / actionPrůměrný čas na akci | |
|---|---|---|---|---|---|---|
| 1 |  GPT-6 AstraGPT-6 Astra | 19.17 | $1821.37* | $10 | $50 | 32.09 s |
| 2 |  Claude Opus 5.5Claude Opus 5.5 | 14 | $188.04 | $4 | $20 | 14.71 s |
| 3 | Claude Fable 5.1Claude Fable 5.1 | 13.17 | $323.78 | $10 | $50 | 37.44 s |
| 4 | Claude Opus 5Claude Opus 5 | 9 | $232.23 | $5 | $25 | 25.29 s |
| 5 |  Gemini 4 ArgonGemini 4 Argon | 4.83 | $193.78 | $4 | $20 | 1.18 min |
PandaNpc Aktualizováno 21. 10. 2026 06:01 UTC
Zdroj: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Průvodce sloupci
- Č.
- Pouze pořadí zobrazení. Řazení toto číslo mění; nejde o zveřejněné pořadí schopností.
- Model
- Název hodnoceného modelu a ikona jeho poskytovatele. Pomlčka ve sloupci se skóre znamená, že zde není k dispozici žádné zveřejněné skóre, nikoli nula.
- Skóre
- Testuje používání klávesnice a myši ke hraní komerčních videoher. Měří interaktivní ovládání hry, nikoli úlohy kancelářského softwaru. Metodika hodnocení ↗
- Pokrytí
- Zobrazují se pouze publikované výsledky pro vybrané rodiny modelů. OSWorld 2.x, Verified a Pro aktuálně poskytují konfigurace Claude Opus 5; nejde o úplné pokrytí všech modelů. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web a WorkArena++ zde zatím nejsou integrovány. SafeArena měří bezpečnost samostatně a není sloučena do skóre dokončení úloh. Chybějící výsledky nejsou nikdy nahrazeny nulou.
- Est. API cost
- Odhadované náklady na API pro vyhodnocení · USD
- Input cost
- Cena vstupu za milion tokenů · USD / 1M tokens
- Output cost
- Cena výstupu za milion tokenů · USD / 1M tokens
- Time / action
- Průměrný čas na akci · s / min
- Vals.ai
- Náklady a časy pro tento benchmark uvádí Vals, nejde o univerzální ceny modelů ani latenci. Odhadovaný náklad na API u CUA-bench zahrnuje využití při hodnocení a je odhadem dolní hranice, nikoli nákladem na úlohu; čas na akci je průměr, nikoli medián. Hvězdička označuje chování prompt-cache v den spuštění, které zvýšilo náklady na zápis do cache. Chybějící hodnoty jsou nezveřejněné, nikoli nulové.