Comparație a capabilităților modelelor 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 de inginerie software multimodală
— means no published score for this candidate in this source, not zero.8/11 recent-year models have scores
| Nr. | Model | Cost / TestCost pe test | Input costPreț de intrare per milion de token | Output costPreț de ieșire per milion de token | DurationDurata raportată a testului | Input / Output TokensUtilizare raportată de token de intrare / ieșire | |
|---|---|---|---|---|---|---|---|
| 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 |
Benchmarkuri Vals.ai
Sursă: Vals.ai ↗ · Actualizat 2026-10-19
SWE-bench Multimodal · Actualizat 2026-10-16
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 sarcini de inginerie software care necesită informații vizuale, precum și cod, cum ar fi interpretarea capturilor de ecran ale unei interfețe. Metodologie de evaluare ↗
- Cost / Test
- Cost pe test · 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
- Duration
- Durata raportată a testului · s / min
- Input / Output Tokens
- Utilizare raportată de token de intrare / ieșire · tokens
- 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.