Comparație a capabilităților modelelor AI
Utilizare computer
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.
No benchmarks from this source cover at least 3 recent-year models. Choose another source.
— means no published score for this candidate in this source, not zero.0/11 recent-year models have scores
OSWorld Verified (official)
Sursă: OSWorld Verified (official) ↗ · Actualizat 2026-08-01
PandaNpc Actualizat 21 oct. 2026, 06:01 UTC
Sursă: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Ghid pentru coloane
- Nr.
- Numai ordinea de afișare. Sortarea modifică acest număr; nu este un rang publicat de capacitate.
- Model
- Numele modelului evaluat și pictograma furnizorului său. O liniuță într-o coloană de scor înseamnă că nu există un scor publicat disponibil aici, nu un zero.
- Scor
- Această sursă publică un scor de benchmark. Deschideți metodologia sa pentru definiția sarcinii și regulile de punctare. Metodologie de evaluare ↗
- Acoperire
- Sunt afișate doar rezultatele publicate pentru familiile de modele selectate. OSWorld 2.x, Verified și Pro furnizează în prezent configurații Claude Opus 5; aceasta nu este o acoperire completă pentru fiecare model. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web și WorkArena++ nu sunt încă integrate aici. SafeArena măsoară siguranța separat și nu este fuzionat în scorurile de finalizare a sarcinilor. Rezultatele lipsă nu sunt niciodată completate cu zero.