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.
CUA-benchSzámítógép-használó ügynök benchmark
— means no published score for this candidate in this source, not zero.5/11 recent-year models have scores
| Sz. | Modell | Est. API costBecsült API-költség az értékeléshez | Input costBemeneti ár millió tokenenként | Output costKimeneti ár millió tokenenként | Time / actionÁtlagos idő műveletenként | |
|---|---|---|---|---|---|---|
| 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 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
- Billentyűzet és egér használatát teszteli kereskedelmi videojátékok játszásához. Az interaktív játékirányítást méri, nem pedig az irodai szoftveres feladatokat. 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.
- Est. API cost
- Becsült API-költség az értékeléshez · USD
- Input cost
- Bemeneti ár millió tokenenként · USD / 1M tokens
- Output cost
- Kimeneti ár millió tokenenként · USD / 1M tokens
- Time / action
- Átlagos idő műveletenként · s / min
- Vals.ai
- A költségeket és az időket erre a benchmarkra a Vals közli, nem univerzális modellárak vagy késleltetés. A CUA-bench becsült API-költsége az értékelési használatot fedi le, és egy alsó korlátot jelentő becslés, nem feladatonkénti költség; a műveletenkénti idő átlag, nem medián. A csillag az indulásnapi prompt-gyorsítótár-viselkedést jelöli, amely megnövelte a gyorsítótár-írási költségeket. A hiányzó értékek nincsenek közzétéve, nem nullák.