AI-modellers kapacitetsjämförelse
Datoranvändning
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 för datoranvändningsagenter
— means no published score for this candidate in this source, not zero.5/11 recent-year models have scores
| Nr. | Modell | Est. API costUppskattad API-kostnad för utvärderingen | Input costIndatapris per miljon token | Output costPris för utdata per miljon tokens | Time / actionGenomsnittlig tid per åtgärd | |
|---|---|---|---|---|---|---|
| 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 Uppdaterad 21 okt. 2026 06:01 UTC
Källa: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Kolumnvägledning
- Nr.
- Endast visningsordning. Sortering ändrar detta nummer; det är inte en publicerad kapacitetsrankning.
- Modell
- Det utvärderade modellnamnet och dess leverantörsikon. Ett streck i en poängkolumn betyder att ingen publicerad poäng finns här, inte en nolla.
- Poäng
- Testar att använda tangentbord och mus för att spela kommersiella videospel. Det mäter interaktiv spelkontroll snarare än kontorsmjukvaruuppgifter. Utvärderingsmetodik ↗
- Täckning
- Endast publicerade resultat för de valda modellfamiljerna visas. OSWorld 2.x, Verified och Pro tillhandahåller för närvarande Claude Opus 5-konfigurationer; detta är inte fullständig täckning av alla modeller. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web och WorkArena++ är ännu inte integrerade här. SafeArena mäter säkerhet separat och slås inte samman med poäng för uppgiftsavslut. Saknade resultat fylls aldrig i med noll.
- Est. API cost
- Uppskattad API-kostnad för utvärderingen · USD
- Input cost
- Indatapris per miljon token · USD / 1M tokens
- Output cost
- Pris för utdata per miljon tokens · USD / 1M tokens
- Time / action
- Genomsnittlig tid per åtgärd · s / min
- Vals.ai
- Kostnader och tider rapporteras av Vals för detta benchmark, inte universella modellpriser eller latens. Den uppskattade API-kostnaden för CUA-bench täcker utvärderingsanvändning och är en uppskattning av nedre gränsen, inte kostnad per uppgift; tid per åtgärd är ett genomsnitt, inte en median. En asterisk markerar prompt-cache-beteende på lanseringsdagen som ökade kostnaderna för cache-skrivningar. Saknade värden är opublicerade, inte noll.