Σύγκριση Ικανοτήτων Μοντέλων AI
Πολυτροπικό
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.
SWE-bench MultimodalBenchmark πολυτροπικής μηχανικής λογισμικού
— 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 | Input / Output TokensΑναφερόμενη χρήση token εισόδου / εξόδου | |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5Claude Opus 5.5 | 70.21 | $4.92 | $4 | $20 | 18.53 min | 3.18B / 38.08M |
| 2 | Claude Fable 5.1Claude Fable 5.1 | 61.25 | $5.46 | $10 | $50 | 15.2 min | 2.21B / 27.94M |
| 3 | Claude Sonnet 5.5Claude Sonnet 5.5 | 58.33 | $4.53 | $2 | $10 | 24.22 min | 6.21B / 67.48M |
| 4 |  Gemini 4 ArgonGemini 4 Argon | 56.04 | $11.4 | $4 | $20 | 33.63 min | 6.54B / 56.31M |
| 5 | Claude Haiku 5.5Claude Haiku 5.5 | 43.96 | $0.7 | $0.1 | $0.5 | 16.27 min | 4.64B / 62.24M |
| 6 |  GPT-6.1 SolGPT-6.1 Sol | 43.54 | $0.35 | $2 | $10 | 6.93 min | 242.14M / 8.75M |
| 7 | GPT-6 AstraGPT-6 Astra | 43.33 | $1.81 | $10 | $50 | 7.05 min | 222.91M / 7.78M |
| 8 | GPT-6 LunaGPT-6 Luna | 37.5 | $0.03 | $0.1 | $0.5 | 5.27 min | 524.11M / 13.09M |
Αξιολογήσεις Vals.ai
Πηγή: Vals.ai ↗ · Ενημερώθηκε 2026-10-19
SWE-bench Multimodal · Ενημερώθηκε 2026-10-16
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 εργασίες μηχανικής λογισμικού που απαιτούν οπτικές πληροφορίες καθώς και κώδικα, όπως η ερμηνεία στιγμιοτύπων μιας διεπαφής. 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
- Input / Output Tokens
- Αναφερόμενη χρήση token εισόδου / εξόδου · tokens
- 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.