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%。

排行数据源

#模型得分

1

Qwen3.8-Max阿里巴巴

86.1%

2

Claude Mythos PreviewAnthropic

85.4%

3

Claude Fable 5Anthropic

85.0%

4

Kimi K3月之暗面

84.8%

5

Qwen3.8-27B阿里巴巴

84.3%

6

Claude Opus 4.8Anthropic

83.4%

7

GPT-5.6 SolOpenAI

83.2%

8

Gemini 3.6 FlashGoogle

83.0%

9

Claude Opus 4.7Anthropic

82.8%

10

Claude Sonnet 5Anthropic

81.2%

共 36 个模型

返回基准目录