Perbandingan Kemampuan Model AI
Pengodean agentik
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 2.1Benchmark terminal 2.1
— means no published score for this candidate in this source, not zero.8/11 recent-year models have scores
| No. | Model | Cost / TestBiaya per tes | Input costHarga input per juta token | Output costHarga output per juta token | DurationDurasi tes dilaporkan | |
|---|---|---|---|---|---|---|
| 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 |
Tolok ukur Vals.ai
Sumber: Vals.ai ↗ · Diperbarui 2026-10-19
Terminal-Bench 2.1 · Diperbarui 2026-09-28
PandaNpc Diperbarui 21 Okt 2026, 06.01 UTC
Sumber: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Panduan kolom
- No.
- Hanya urutan tampilan. Pengurutan mengubah nomor ini; ini bukan peringkat kemampuan yang dipublikasikan.
- Model
- Nama model yang dievaluasi dan ikon penyedianya. Tanda hubung pada kolom skor berarti tidak ada skor yang dipublikasikan yang tersedia di sini, bukan nol.
- Skor
- Menguji penyelesaian tugas praktis di lingkungan terminal, seperti pengodean dan operasi sistem. Versi menggunakan kumpulan tugas yang berbeda dan harus dibandingkan secara terpisah. Metodologi evaluasi ↗
- Cost / Test
- Biaya per tes · USD
- Input cost
- Harga input per juta token · USD / 1M tokens
- Output cost
- Harga output per juta token · USD / 1M tokens
- Duration
- Durasi tes dilaporkan · s / min
- Vals.ai
- Biaya dan waktu dilaporkan oleh Vals untuk benchmark ini, bukan harga atau latensi model secara universal. Estimasi biaya API CUA-bench mencakup penggunaan evaluasi dan merupakan estimasi batas bawah, bukan biaya per tugas; waktu per aksi adalah rata-rata, bukan median. Tanda bintang menandai perilaku prompt-cache pada hari peluncuran yang meningkatkan biaya penulisan cache. Nilai yang hilang berarti belum dipublikasikan, bukan nol.