AI-modellek képességeinek összehasonlítása
Számítógép-használat
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 2.x (official)
Forrás: OSWorld 2.x (official) ↗ · Frissítve 2026-10-15
PandaNpc Frissítve 2026. okt. 21. 06:01 UTC
Forrás: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Oszlopismertető
- Sz.
- Csak megjelenítési sorrend. A rendezés megváltoztatja ezt a számot; ez nem egy közzétett képességi rangsor.
- Modell
- A kiértékelt modell neve és a szolgáltató ikonja. A pontszámoszlopban szereplő kötőjel azt jelenti, hogy itt nem érhető el közzétett pontszám, nem pedig nullát.
- Pontszám
- Ez a forrás közzétesz egy benchmarkpontszámot. A feladatdefiníció és a pontozási szabályok megtekintéséhez nyissa meg a módszertanát. Értékelési módszertan ↗
- Lefedettség
- Csak a kiválasztott modellcsaládok publikált eredményei láthatók. Az OSWorld 2.x, Verified és Pro jelenleg Claude Opus 5 konfigurációkat biztosítanak; ez nem jelenti az összes modell teljes lefedettségét. A Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web és WorkArena++ még nincsenek itt integrálva. A SafeArena külön méri a biztonságot, és nincs összevonva a feladatteljesítési pontszámokkal. A hiányzó eredményeket soha nem töltjük fel nullával.