目前的AI智能体在长时程计算机操作任务上仍远未达到可靠水平,表现最好的配置——开启最大思考量的Claude Opus 4.8——在OSWorld 2.0的多小时任务上二元准确率也只有20.6%,且性能随任务变长而急剧下降。

OSWorld 2.0的创建者发现,即便是最强的模型配置,在平均需要人类花费1.6小时完成的任务上也只能达到20.6%的二元准确率,智能体在恢复隐藏状态、追踪多个项目以及适应变化需求方面表现最差。 ✦ AI 生成 · 平台预翻

OSWorld 2.0 researchers · Import AI · 2026-07-06 · English original →

我们的实验表明,目前的智能体在计算机操作方面仍远未达到可靠水平:表现最强的设置——开启最大思考量并采用批量工具调用的Claude Opus 4.8——也只达到了20.6%的二元准确率和54.8%的部分得分准确率。随着任务变长,性能急剧下降,当智能体必须恢复隐藏状态、追踪大量项目、解决相互冲突的信息或适应变化的需求时,表现最为吃力。

Our experiments show that current agents remain far from reliable computer use: the strongest setting, Claude Opus 4.8 with maximum thinking and batched tool calls, reaches only 20.6% binary accuracy and 54.8% partial-score accuracy. Performance drops sharply as tasks grow longer, and agents struggle most when they must recover hidden state, track many items, resolve conflicting information, or adapt to changing requirements.

阅读原文 ↗合理引用摘录 · 中文为平台译文