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.
CUA-benchTietokoneen käyttöagentin benchmark
— means no published score for this candidate in this source, not zero.5/11 recent-year models have scores
| Nro. | Malli | Est. API costArvioitu API-kustannus arviointia varten | Input costSyötteen hinta miljoonaa tokenia kohti | Output costTuotoksen hinta miljoonaa tokenia kohden | Time / actionKeskimääräinen aika toimintoa kohden | |
|---|---|---|---|---|---|---|
| 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 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
- Testaa näppäimistön ja hiiren käyttöä kaupallisten videopelien pelaamiseen. Se mittaa vuorovaikutteista peliohjausta eikä toimisto-ohjelmistotehtäviä. 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.
- Est. API cost
- Arvioitu API-kustannus arviointia varten · USD
- Input cost
- Syötteen hinta miljoonaa tokenia kohti · USD / 1M tokens
- Output cost
- Tuotoksen hinta miljoonaa tokenia kohden · USD / 1M tokens
- Time / action
- Keskimääräinen aika toimintoa kohden · s / min
- Vals.ai
- Vals ilmoittaa tämän benchmarkin kustannukset ja ajat, eivät yleisiä mallihintoja tai latenssia. CUA-benchin arvioitu API-kustannus kattaa arviointikäytön ja on alarajan arvio, ei kustannus tehtävää kohti; aika toimintoa kohti on keskiarvo, ei mediaani. Tähti merkitsee julkaisupäivän prompt-cache-käyttäytymistä, joka nosti cache-kirjoituskustannuksia. Puuttuvat arvot ovat julkaisemattomia, eivät nollia.