Perbandingan Kemampuan Model AI
Multimodal
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.
SWE-bench MultimodalBenchmark rekayasa perangkat lunak multimodal
— 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 | Input / Output TokensPenggunaan token input / output yang dilaporkan | |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5Claude Opus 5.5 | 70.21 | $4.92 | $4 | $20 | 18.53 min | 3.18B / 38.08M |
| 2 | Claude Fable 5.1Claude Fable 5.1 | 61.25 | $5.46 | $10 | $50 | 15.2 min | 2.21B / 27.94M |
| 3 | Claude Sonnet 5.5Claude Sonnet 5.5 | 58.33 | $4.53 | $2 | $10 | 24.22 min | 6.21B / 67.48M |
| 4 |  Gemini 4 ArgonGemini 4 Argon | 56.04 | $11.4 | $4 | $20 | 33.63 min | 6.54B / 56.31M |
| 5 | Claude Haiku 5.5Claude Haiku 5.5 | 43.96 | $0.7 | $0.1 | $0.5 | 16.27 min | 4.64B / 62.24M |
| 6 |  GPT-6.1 SolGPT-6.1 Sol | 43.54 | $0.35 | $2 | $10 | 6.93 min | 242.14M / 8.75M |
| 7 | GPT-6 AstraGPT-6 Astra | 43.33 | $1.81 | $10 | $50 | 7.05 min | 222.91M / 7.78M |
| 8 | GPT-6 LunaGPT-6 Luna | 37.5 | $0.03 | $0.1 | $0.5 | 5.27 min | 524.11M / 13.09M |
Tolok ukur Vals.ai
Sumber: Vals.ai ↗ · Diperbarui 2026-10-19
SWE-bench Multimodal · Diperbarui 2026-10-16
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 tugas rekayasa perangkat lunak yang memerlukan informasi visual sekaligus kode, seperti menafsirkan tangkapan layar antarmuka. 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
- Input / Output Tokens
- Penggunaan token input / output yang dilaporkan · tokens
- 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.