Σύγκριση Ικανοτήτων Μοντέλων AI
Προγραμματισμός με πράκτορες
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.
Terminal-Bench 2.1Benchmark τερματικού 2.1
— means no published score for this candidate in this source, not zero.8/11 recent-year models have scores
| Αρ. | Μοντέλο | Cost / TestΚόστος ανά δοκιμή | Input costΤιμή εισόδου ανά εκατομμύριο token | Output costΤιμή εξόδου ανά εκατομμύριο token | DurationΑναφερόμενη διάρκεια δοκιμής | |
|---|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5Claude Opus 5.5 | 87.64 | $0.5 | $4 | $20 | 6.38 min |
| 2 |  GPT-6 AstraGPT-6 Astra | 87.27 | $1.34 | $10 | $50 | 4.57 min |
| 3 | Claude Fable 5.1Claude Fable 5.1 | 85.02 | $3.07 | $10 | $50 | 8.33 min |
| 4 | Claude Opus 5Claude Opus 5 | 84.64 | $0.89 | $5 | $25 | 12.55 min |
| 5 | Claude Sonnet 5.5Claude Sonnet 5.5 | 83.15 | $0.63 | $2 | $10 | 7.77 min |
| 6 | GPT-6 SolGPT-6 Sol | 83.15 | $0.37 | $2 | $10 | 4.98 min |
| 7 | GPT-6 LunaGPT-6 Luna | 73.03 | $0.03 | $0.1 | $0.5 | 7.08 min |
| 8 |  Gemini 4 ArgonGemini 4 Argon | 57.68 | — | $4 | $20 | 14.03 min |
Αξιολογήσεις Vals.ai
Πηγή: Vals.ai ↗ · Ενημερώθηκε 2026-10-19
Terminal-Bench 2.1 · Ενημερώθηκε 2026-09-28
PandaNpc Ενημερώθηκε 21 Οκτ 2026, 06:01 (Συντονισμένη Παγκόσμια Ώρα)
Πηγή: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Οδηγός στηλών
- Αρ.
- Μόνο σειρά εμφάνισης. Η ταξινόμηση αλλάζει αυτόν τον αριθμό· δεν αποτελεί δημοσιευμένη κατάταξη ικανοτήτων.
- Μοντέλο
- Το όνομα του αξιολογούμενου μοντέλου και το εικονίδιο του παρόχου του. Μια παύλα σε μια στήλη βαθμολογίας σημαίνει ότι δεν υπάρχει διαθέσιμη δημοσιευμένη βαθμολογία εδώ, όχι μηδέν.
- Βαθμολογία
- Ελέγχει την ολοκλήρωση πρακτικών εργασιών σε περιβάλλον τερματικού, όπως προγραμματισμό και λειτουργίες συστήματος. Οι εκδόσεις χρησιμοποιούν διαφορετικά σύνολα εργασιών και θα πρέπει να συγκρίνονται ξεχωριστά. Μεθοδολογία αξιολόγησης ↗
- Cost / Test
- Κόστος ανά δοκιμή · USD
- Input cost
- Τιμή εισόδου ανά εκατομμύριο token · USD / 1M tokens
- Output cost
- Τιμή εξόδου ανά εκατομμύριο token · USD / 1M tokens
- Duration
- Αναφερόμενη διάρκεια δοκιμής · s / min
- Vals.ai
- Τα κόστη και οι χρόνοι αναφέρονται από το Vals για αυτό το benchmark, όχι καθολικές τιμές μοντέλων ή καθυστέρηση. Το εκτιμώμενο κόστος API του CUA-bench καλύπτει τη χρήση αξιολόγησης και αποτελεί εκτίμηση κατώτατου ορίου, όχι κόστος ανά εργασία· ο χρόνος ανά ενέργεια είναι μέσος όρος, όχι διάμεσος. Ένας αστερίσκος σηματοδοτεί τη συμπεριφορά prompt-cache την ημέρα κυκλοφορίας, η οποία αύξησε τα κόστη εγγραφής στην cache. Οι τιμές που λείπουν είναι μη δημοσιευμένες, όχι μηδέν.