Comparación de capacidades de modelos de IA
Uso de computadora
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 de agentes de uso de computadora
— means no published score for this candidate in this source, not zero.5/11 recent-year models have scores
| N.º | Modelo | Est. API costCosto estimado de API para la evaluación | Input costPrecio de entrada por millón de tokens | Output costPrecio de salida por millón de tokens | Time / actionTiempo medio por acción | |
|---|---|---|---|---|---|---|
| 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 Actualizado 21 oct 2026, 06:01 UTC
Fuente: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Guía de columnas
- N.º
- Solo orden de visualización. El ordenamiento cambia este número; no es un ranking de capacidad publicado.
- Modelo
- El nombre del modelo evaluado y el icono de su proveedor. Un guion en una columna de puntuación significa que no hay una puntuación publicada disponible aquí, no un cero.
- Puntuación
- Evalúa el uso de teclado y ratón para jugar videojuegos comerciales. Mide el control interactivo de videojuegos en lugar de tareas de software de oficina. Metodología de evaluación ↗
- Cobertura
- Solo se muestran los resultados publicados para las familias de modelos seleccionadas. OSWorld 2.x, Verified y Pro actualmente proporcionan configuraciones de Claude Opus 5; esto no es una cobertura completa de todos los modelos. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web y WorkArena++ aún no están integrados aquí. SafeArena mide la seguridad por separado y no se fusiona en las puntuaciones de finalización de tareas. Los resultados faltantes nunca se rellenan con cero.
- Est. API cost
- Costo estimado de API para la evaluación · USD
- Input cost
- Precio de entrada por millón de tokens · USD / 1M tokens
- Output cost
- Precio de salida por millón de tokens · USD / 1M tokens
- Time / action
- Tiempo medio por acción · s / min
- Vals.ai
- Los costos y los tiempos son reportados por Vals para este benchmark, no precios ni latencia universales de modelos. El costo de API estimado de CUA-bench cubre el uso de evaluación y es una estimación de límite inferior, no el costo por tarea; el tiempo por acción es un promedio, no una mediana. Un asterisco marca el comportamiento de caché de prompts del día de lanzamiento que aumentó los costos de escritura en caché. Los valores faltantes no están publicados, no son cero.