So sánh năng lực mô hình AI
Sử dụng máy tính
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 tác nhân sử dụng máy tính
— means no published score for this candidate in this source, not zero.5/11 recent-year models have scores
| STT | Mô hình | Est. API costChi phí API ước tính cho việc đánh giá | Input costGiá đầu vào mỗi triệu token | Output costGiá đầu ra mỗi triệu token | Time / actionThời gian trung bình mỗi hành động | |
|---|---|---|---|---|---|---|
| 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 Đã cập nhật 06:01 UTC 21 thg 10, 2026
Nguồn: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Hướng dẫn cột
- STT
- Chỉ là thứ tự hiển thị. Việc sắp xếp làm thay đổi số này; đây không phải là xếp hạng năng lực được công bố.
- Mô hình
- Tên mô hình được đánh giá và biểu tượng nhà cung cấp của mô hình đó. Dấu gạch ngang trong một cột điểm nghĩa là không có điểm nào được công bố ở đây, chứ không phải là số 0.
- Điểm
- Kiểm tra việc sử dụng bàn phím và chuột để chơi trò chơi điện tử thương mại. Nó đo lường khả năng điều khiển trò chơi tương tác thay vì các tác vụ phần mềm văn phòng. Phương pháp đánh giá ↗
- Độ bao phủ
- Chỉ hiển thị kết quả đã công bố cho các nhóm mô hình đã chọn. OSWorld 2.x, Verified và Pro hiện cung cấp cấu hình Claude Opus 5; đây không phải phạm vi bao phủ đầy đủ của mọi mô hình. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web và WorkArena++ chưa được tích hợp ở đây. SafeArena đo lường an toàn riêng và không được hợp nhất vào điểm hoàn thành tác vụ. Kết quả bị thiếu không bao giờ được điền bằng không.
- Est. API cost
- Chi phí API ước tính cho việc đánh giá · USD
- Input cost
- Giá đầu vào mỗi triệu token · USD / 1M tokens
- Output cost
- Giá đầu ra mỗi triệu token · USD / 1M tokens
- Time / action
- Thời gian trung bình mỗi hành động · s / min
- Vals.ai
- Chi phí và thời gian được Vals báo cáo cho benchmark này, không phải giá hoặc độ trễ chung của model. Chi phí API ước tính của CUA-bench bao gồm mức sử dụng khi đánh giá và là ước tính cận dưới, không phải chi phí cho mỗi tác vụ; thời gian mỗi hành động là mức trung bình, không phải trung vị. Dấu hoa thị đánh dấu hành vi bộ nhớ đệm prompt trong ngày ra mắt làm tăng chi phí ghi bộ nhớ đệm. Các giá trị bị thiếu là chưa được công bố, không phải bằng không.