OSWorld-VerifiedAgent

OSWorld-Verified 是首个可扩展的真实计算机环境基准。在 Ubuntu、Windows 和 macOS 上评估多模态 Agent 完成 369 个开放式计算机任务的能力，涵盖网页应用、桌面软件、文件操作和跨应用工作流。人类完成率 72.36%，最佳模型仅 12.24%。

#	模型		得分 (%)	厂商	来源
1	Claude Mythos Preview		85.4	Anthropic	Claude Fable 5 技术报告
2	Claude Fable 5		85	Anthropic	Claude Fable 5 技术报告
3	Claude Opus 4.8		83.4	Anthropic	Meta Muse Spark 1.1 Evaluation Report
4	Claude Opus 4.7		82.8	Anthropic	MiniMax M3 技术报告
5	Claude Sonnet 5		81.2	Anthropic	Claude Sonnet 5 技术报告
6	Muse Spark 1.1		80.8	Meta	Meta Muse Spark 1.1 Evaluation Report
7	DeepSeek-V4-Pro		80.6	深度求索	MiniMax M3 技术报告
8	GPT-5.5		78.7	OpenAI	Meta Muse Spark 1.1 Evaluation Report
9	Claude Sonnet 4.6		78.5	Anthropic	Claude Sonnet 5 技术报告
10	Gemini 3.1 Pro		76.2	Google	Meta Muse Spark 1.1 Evaluation Report