Perbandingan Kemampuan Model AI
Penggunaan komputer
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-benchBenchmark agen penggunaan komputer
— means no published score for this candidate in this source, not zero.5/11 recent-year models have scores
| No. | Model | Est. API costPerkiraan biaya API untuk evaluasi | Input costHarga input per juta token | Output costHarga output per juta token | Time / actionRata-rata waktu per aksi | |
|---|---|---|---|---|---|---|
| 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 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 penggunaan papan ketik dan mouse untuk memainkan gim video komersial. Ini mengukur kontrol gim interaktif, bukan tugas perangkat lunak perkantoran. Metodologi evaluasi ↗
- Cakupan
- Hanya hasil yang dipublikasikan untuk keluarga model yang dipilih yang ditampilkan. OSWorld 2.x, Verified, dan Pro saat ini menyediakan konfigurasi Claude Opus 5; ini bukan cakupan lengkap untuk setiap model. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web, dan WorkArena++ belum terintegrasi di sini. SafeArena mengukur keamanan secara terpisah dan tidak digabungkan ke dalam skor penyelesaian tugas. Hasil yang hilang tidak pernah diisi dengan nol.
- Est. API cost
- Perkiraan biaya API untuk evaluasi · USD
- Input cost
- Harga input per juta token · USD / 1M tokens
- Output cost
- Harga output per juta token · USD / 1M tokens
- Time / action
- Rata-rata waktu per aksi · 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.