AI मॉडल क्षमता तुलना
एजेंटिक कोडिंग
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.
Terminal-Bench 2.1टर्मिनल बेंचमार्क 2.1
— means no published score for this candidate in this source, not zero.8/11 recent-year models have scores
| क्र. | मॉडल | Cost / Testप्रति परीक्षण लागत | Input costप्रति मिलियन token इनपुट मूल्य | Output costआउटपुट मूल्य प्रति मिलियन token | Durationरिपोर्ट की गई परीक्षण अवधि | |
|---|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5Claude Opus 5.5 | 87.64 | $0.5 | $4 | $20 | 6.38 min |
| 2 |  GPT-6 AstraGPT-6 Astra | 87.27 | $1.34 | $10 | $50 | 4.57 min |
| 3 | Claude Fable 5.1Claude Fable 5.1 | 85.02 | $3.07 | $10 | $50 | 8.33 min |
| 4 | Claude Opus 5Claude Opus 5 | 84.64 | $0.89 | $5 | $25 | 12.55 min |
| 5 | Claude Sonnet 5.5Claude Sonnet 5.5 | 83.15 | $0.63 | $2 | $10 | 7.77 min |
| 6 | GPT-6 SolGPT-6 Sol | 83.15 | $0.37 | $2 | $10 | 4.98 min |
| 7 | GPT-6 LunaGPT-6 Luna | 73.03 | $0.03 | $0.1 | $0.5 | 7.08 min |
| 8 |  Gemini 4 ArgonGemini 4 Argon | 57.68 | — | $4 | $20 | 14.03 min |
PandaNpc अपडेटेड 21 अक्टू॰ 2026, 06:01 UTC
स्रोत: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
स्तंभ गाइड
- क्र.
- केवल प्रदर्शन क्रम। क्रमबद्ध करने पर यह संख्या बदलती है; यह प्रकाशित क्षमता रैंक नहीं है।
- मॉडल
- मूल्यांकित मॉडल का नाम और उसके प्रदाता का आइकन। स्कोर स्तंभ में डैश का अर्थ है कि यहाँ कोई प्रकाशित स्कोर उपलब्ध नहीं है, शून्य नहीं।
- स्कोर
- टर्मिनल वातावरण में व्यावहारिक कार्यों को पूरा करने का परीक्षण करता है, जैसे कोडिंग और सिस्टम संचालन। संस्करण अलग-अलग कार्य सेटों का उपयोग करते हैं और उनकी अलग से तुलना की जानी चाहिए। मूल्यांकन पद्धति ↗
- Cost / Test
- प्रति परीक्षण लागत · USD
- Input cost
- प्रति मिलियन token इनपुट मूल्य · USD / 1M tokens
- Output cost
- आउटपुट मूल्य प्रति मिलियन token · USD / 1M tokens
- Duration
- रिपोर्ट की गई परीक्षण अवधि · s / min
- Vals.ai
- इस बेंचमार्क के लिए लागत और समय Vals द्वारा रिपोर्ट किए गए हैं, न कि सार्वभौमिक मॉडल कीमतें या विलंबता। CUA-bench का अनुमानित API लागत मूल्यांकन उपयोग को कवर करता है और एक निम्न-सीमा अनुमान है, प्रति कार्य लागत नहीं; प्रति क्रिया समय एक औसत है, माध्यक नहीं। एक तारांकन लॉन्च-डे प्रॉम्प्ट-कैश व्यवहार को चिह्नित करता है जिसने कैश-राइट लागतें बढ़ाईं। अनुपलब्ध मान अप्रकाशित हैं, शून्य नहीं।