Σύγκριση Ικανοτήτων Μοντέλων AI
Χρήση υπολογιστή
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 πράκτορα χρήσης υπολογιστή
— means no published score for this candidate in this source, not zero.5/11 recent-year models have scores
| Αρ. | Μοντέλο | Est. API costΕκτιμώμενο κόστος API για την αξιολόγηση | Input costΤιμή εισόδου ανά εκατομμύριο token | Output costΤιμή εξόδου ανά εκατομμύριο token | Time / actionΜέσος χρόνος ανά ενέργεια | |
|---|---|---|---|---|---|---|
| 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 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 τη χρήση πληκτρολογίου και ποντικιού για να παίζει εμπορικά βιντεοπαιχνίδια. Μετρά τον διαδραστικό χειρισμό παιχνιδιών και όχι εργασίες λογισμικού γραφείου. Μεθοδολογία αξιολόγησης ↗
- Κάλυψη
- Εμφανίζονται μόνο δημοσιευμένα αποτελέσματα για τις επιλεγμένες οικογένειες μοντέλων. Τα OSWorld 2.x, Verified και Pro παρέχουν επί του παρόντος διαμορφώσεις Claude Opus 5· αυτό δεν είναι πλήρης κάλυψη κάθε μοντέλου. Τα Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web και WorkArena++ δεν έχουν ακόμη ενσωματωθεί εδώ. Το SafeArena μετρά την ασφάλεια ξεχωριστά και δεν συγχωνεύεται στις βαθμολογίες ολοκλήρωσης εργασιών. Τα αποτελέσματα που λείπουν δεν συμπληρώνονται ποτέ με μηδέν.
- Est. API cost
- Εκτιμώμενο κόστος API για την αξιολόγηση · USD
- Input cost
- Τιμή εισόδου ανά εκατομμύριο token · USD / 1M tokens
- Output cost
- Τιμή εξόδου ανά εκατομμύριο token · USD / 1M tokens
- Time / action
- Μέσος χρόνος ανά ενέργεια · 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.