AI-mallien kyvykkyysvertailu
Tietokoneen käyttö
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.
No benchmarks from this source cover at least 3 recent-year models. Choose another source.
— means no published score for this candidate in this source, not zero.0/11 recent-year models have scores
OSWorld-Pro (paper v1)
Lähde: OSWorld-Pro (paper v1) ↗
PandaNpc Päivitetty 21.10.2026 klo 06.01 UTC
Lähde: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Sarakkeiden opas
- Nro.
- Vain näyttöjärjestys. Lajittelu muuttaa tätä numeroa; se ei ole julkaistu kyvykkyyssijoitus.
- Malli
- Arvioidun mallin nimi ja sen tarjoajan kuvake. Viiva pistesarakkeessa tarkoittaa, ettei julkaistua pistettä ole saatavilla tässä, ei nollaa.
- Pisteet
- Tämä lähde julkaisee vertailutestipisteen. Avaa sen metodologia tehtävän määrittelyä ja pisteytyssääntöjä varten. Arviointimenetelmä ↗
- Kattavuus
- Vain julkaistut tulokset valituille malliperheille näytetään. OSWorld 2.x, Verified ja Pro tarjoavat tällä hetkellä Claude Opus 5 -konfiguraatiot; tämä ei ole täydellinen kattavuus kaikista malleista. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web ja WorkArena++ eivät ole vielä integroituja tähän. SafeArena mittaa turvallisuutta erikseen, eikä sitä yhdistetä tehtävän suorituspisteisiin. Puuttuvia tuloksia ei koskaan täytetä nollalla.