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.
CUA-benchBenchmark pentru agent de utilizare a computerului
— means no published score for this candidate in this source, not zero.5/11 recent-year models have scores
| Nr. | Model | Est. API costCostul API estimat pentru evaluare | Input costPreț de intrare per milion de token | Output costPreț de ieșire per milion de token | Time / actionTimp mediu pe acțiune | |
|---|---|---|---|---|---|---|
| 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 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
- Testează utilizarea unei tastaturi și a unui mouse pentru a juca jocuri video comerciale. Măsoară controlul interactiv în joc, mai degrabă decât sarcini de software de birou. 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.
- Est. API cost
- Costul API estimat pentru evaluare · USD
- Input cost
- Preț de intrare per milion de token · USD / 1M tokens
- Output cost
- Preț de ieșire per milion de token · USD / 1M tokens
- Time / action
- Timp mediu pe acțiune · s / min
- Vals.ai
- Costurile și timpii sunt raportate de Vals pentru acest benchmark, nu sunt prețuri sau latențe universale ale modelului. Costul API estimat pentru CUA-bench acoperă utilizarea în evaluare și este o estimare inferioară, nu costul per sarcină; timpul per acțiune este o medie, nu o mediană. Un asterisc marchează comportamentul prompt-cache din ziua lansării care a crescut costurile de scriere în cache. Valorile lipsă sunt nepublicate, nu zero.