Sammenligning av AI-modellers kapabiliteter
Datamaskinbruk
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-benchDatamaskinbruksagent-benchmark
— means no published score for this candidate in this source, not zero.5/11 recent-year models have scores
| Nr. | Modell | Est. API costEstimert API-kostnad for evalueringen | Input costInndatapris per million tokens | Output costPris for utdata per million tokens | Time / actionGjennomsnittstid per handling | |
|---|---|---|---|---|---|---|
| 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 Oppdatert 21. okt. 2026, 06:01 UTC
Kilde: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Kolonneveiledning
- Nr.
- Kun visningsrekkefølge. Sortering endrer dette tallet; det er ikke en publisert kapabilitetsrangering.
- Modell
- Navnet på den evaluerte modellen og ikonet til leverandøren. En strek i en poengkolonne betyr at ingen publisert poengsum er tilgjengelig her, ikke null.
- Poeng
- Tester bruk av tastatur og mus til å spille kommersielle videospill. Det måler interaktiv spillkontroll snarere enn oppgaver i kontorprogramvare. Evalueringsmetodikk ↗
- Dekning
- Bare publiserte resultater for de valgte modellfamiliene vises. OSWorld 2.x, Verified og Pro tilbyr for tiden Claude Opus 5-konfigurasjoner; dette er ikke fullstendig dekning av alle modeller. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web og WorkArena++ er ennå ikke integrert her. SafeArena måler sikkerhet separat og slås ikke sammen med oppgavefullføringsscorene. Manglende resultater fylles aldri ut med null.
- Est. API cost
- Estimert API-kostnad for evalueringen · USD
- Input cost
- Inndatapris per million tokens · USD / 1M tokens
- Output cost
- Pris for utdata per million tokens · USD / 1M tokens
- Time / action
- Gjennomsnittstid per handling · s / min
- Vals.ai
- Kostnader og tider rapporteres av Vals for denne benchmarken, ikke universelle modellpriser eller latens. Estimert API-kostnad for CUA-bench dekker evalueringsbruk og er et nedre anslag, ikke kostnad per oppgave; tid per handling er et gjennomsnitt, ikke en median. En asterisk markerer prompt-cache-atferd på lanseringsdagen som økte kostnader for cache-skriving. Manglende verdier er upubliserte, ikke null.