نطاق معياري مشترك · OSWorld 2.0

مقارنة الوكلاء ضمن المعيار نفسه

أدلة تاريخية

تشترك الإدخالات أدناه في نطاق المعيار المرجعي نفسه. وتظل بنياتها التوجيهية الدقيقة وإصدارات نماذجها وتواريخها وقيم المصدر الأصلية ظاهرة.

تعني قيمة المصدر الأعلى أداءً أفضل في هذا المعيار والتكوين فقط. وليست درجة عابرة للمعايير أو مؤشرًا للجاهزية للإنتاج.

قارن المتماثل بالمتماثل

نظرة عامة على القرار

لا يمكن وضع إعدادات في مقارنة واحدة إلا إذا كانت من إصدار المعيار ونطاق المهمة نفسيهما.

بيانات أبلغ عنها المصدر؛ تبقى القيم المفقودة مجهولة.

OSWorld 2.0 · إكمال ثنائي

الفروق في لمحة	OSWorld Agent · Claude Opus 4.7 · Max · Batched tool	OSWorld Agent · Claude Opus 4.8 · Max · Batched tool
نقاط القوة	—	نتيجة منشورة أعلى: 20.6%
القيود والمفاضلات	نتيجة منشورة أقل: 18.2%	—
القدرات والتكلفة	النموذج الأساسي: Claude Opus 4.7البنية: OSWorld 2.0 computer-use agent	النموذج الأساسي: Claude Opus 4.8البنية: OSWorld 2.0 computer-use agent
	تفاصيل Agent →	تفاصيل Agent →

جميع البيانات والمصادر

أُخفي 17 من الحقول المتطابقة أو غير المُبلّغ عنها بالكامل

نظام Agent	OSWorld Agent · Claude Opus 4.7 · Max · Batched tool	OSWorld Agent · Claude Opus 4.8 · Max · Batched tool
الإعداد
النموذج الأساسي	Claude Opus 4.7	Claude Opus 4.8
معرّف نموذج المصدر أو تسميته	Claude Opus 4.7	Claude Opus 4.8
النتيجة
إكمال ثنائي	18.2%	20.6%
درجة جزئية	48.91%	54.8%
المصدر
فتح المصدر	فتح المصدر ↗	فتح المصدر ↗

بيانات أبلغ عنها المصدر؛ تبقى القيم المفقودة مجهولة.

تنشئ التصنيفات العامة قائمة مختصرة. وتحدد تجربة خاصة صغيرة ما إذا كان الإعداد يلائم عملك.

1
اختر من 10 إلى 20 مهمة تمثيلية وحدد شرط اجتياز واضحًا.
2
ثبّت الوكيل والنموذج والأدوات والأذونات والميزانية قبل الاختبار.
3
نفّذ كل مهمة مهمة أكثر من مرة؛ وسجّل النجاح والتكلفة والوقت وحالات تولي الإنسان للمهمة.
4
راجع الإخفاقات ومخاطر معالجة البيانات قبل اتخاذ قرار بشأن بيئة الإنتاج.