目前的前沿AI智能体在长周期、多程序的计算机使用任务上仍远未达到可靠水平,表现最好的方案在OSWORLD 2.0上的二元准确率也仅为20.6%,不过鉴于OSWORLD 1.0上分数上升的速度之快,该领域很可能会迎来快速提升。

OSWorld 2.0是一个包含多小时、多程序计算机使用任务的基准测试,结果显示即便是配置最高思考量的Claude Opus 4.8,其二元准确率也仅达到20.6%,不过业界预计会出现类似OSWORLD 1.0从约30%升至约75%那样的快速提升。 ✦ AI 生成 · 平台预翻

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

他们写道:"我们的实验表明,目前的智能体在计算机使用方面仍远未达到可靠水平:表现最好的设置——配置最高思考量并采用批量工具调用的Claude Opus 4.8——也仅达到20.6%的二元准确率和54.8%的部分得分准确率。"

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," they write.

阅读原文 ↗合理引用摘录 · 中文为平台译文