AI-mallien kyvykkyysvertailu
Multimodaalinen
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 MultimodalMultimodaalinen ohjelmistotekniikkabenchmark
— means no published score for this candidate in this source, not zero.8/11 recent-year models have scores
| Nro. | Malli | Cost / TestKustannus per testi | Input costSyötteen hinta miljoonaa tokenia kohti | Output costTuotoksen hinta miljoonaa tokenia kohden | DurationIlmoitettu testin kesto | Input / Output TokensIlmoitettu syöte-/tulostokenien käyttö | |
|---|---|---|---|---|---|---|---|
| 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 |
Vals.ai-vertailutestit
Lähde: Vals.ai ↗ · Päivitetty 2026-10-19
SWE-bench Multimodal · Päivitetty 2026-10-16
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 ohjelmistotekniikan tehtäviä, jotka vaativat sekä visuaalista tietoa että koodia, kuten käyttöliittymän kuvakaappausten tulkintaa. Arviointimenetelmä ↗
- Cost / Test
- Kustannus per testi · USD
- Input cost
- Syötteen hinta miljoonaa tokenia kohti · USD / 1M tokens
- Output cost
- Tuotoksen hinta miljoonaa tokenia kohden · USD / 1M tokens
- Duration
- Ilmoitettu testin kesto · s / min
- Input / Output Tokens
- Ilmoitettu syöte-/tulostokenien käyttö · tokens
- 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.