Benchmarks de Agents

Benchmark de agentes de OSWorld 2.0

OpenGPT mantiene 10 filas publicadas asociadas a la versión OSWorld 2.0 exacta de la prueba de referencia y al entorno que se muestran a continuación.

Tareas: 108
Filas publicadas: 10
Fecha de los datos de la fuente: 25 jun 2026
Identidad revisada: Histórico

Alcance de la evidencia

task version v2026.06.24 · 500-step budget. long-horizon computer workflows. Desktop applications and operating-system workflows en reproducible VMs. 500 steps.

How OpenGPT handles this evidence

OpenGPT conserva la métrica, el alcance de tareas, el entorno, la versión, los campos de configuración y la fecha de la fuente del editor. No crea una puntuación general de agentes entre pruebas de referencia distintas.

Límites de la comparación

Un resultado superior solo se aplica a la versión y las condiciones del benchmark mostradas.
Los resultados de Agents reflejan el sistema completo, no solo el modelo base.
Los datos ausentes sobre coste, fiabilidad, seguridad o latencia se mantienen sin informar, en lugar de inferirse.
Las filas conservan como evidencia histórica el resultado anclado a la versión v2026.06.24. No se vuelve a etiquetar como actual porque la versión activa v2026.08.08 del benchmark cambia la semántica de las tareas y no se dispone de una instantánea equivalente de resultados actuales.

task version v2026.06.24 · 500-step budget

Mostrando 10 de 10 filas publicadas. Cada resultado permanece vinculado al benchmark y a la configuración de origen.