Alcance compartido del benchmark · OSWorld 2.0

Comparación de agentes en el mismo benchmark

Evidencia histórica

Las entradas que aparecen a continuación comparten el mismo alcance de benchmark. Sus andamiajes, versiones de modelos, fechas y valores originales de las fuentes permanecen visibles.

Un valor de origen superior solo significa un mejor rendimiento en este benchmark y esta configuración. No es una puntuación comparable entre benchmarks ni de preparación para producción.

Comparar elementos equivalentes

Resumen de la decisión

Solo pueden incluirse en una misma comparación configuraciones de la misma versión de la prueba de referencia y con el mismo alcance de tareas.

Datos comunicados por la fuente; los valores ausentes siguen siendo desconocidos.

Diferencias de un vistazo

OSWorld 2.0 · Finalización binaria

Diferencias de un vistazo	OSWorld Agent · MiniMax M3 · Enabled · Standard	OSWorld Agent · Claude Opus 4.8 · Max · Batched tool
Ventajas	—	Resultado publicado mayor: 20.6%
Limitaciones y compromisos	Resultado publicado menor: 4.6%	—
Funciones y coste	Modelo base: MiniMax M3Andamiaje: OSWorld 2.0 computer-use agent Coste comunicado de la prueba de referencia: 258,78 US$	Modelo base: Claude Opus 4.8Andamiaje: OSWorld 2.0 computer-use agent
	Detalles del Agent →	Detalles del Agent →

Todos los datos y fuentes

15 campos idénticos o sin datos se ocultan

Sistema Agent	OSWorld Agent · MiniMax M3 · Enabled · Standard	OSWorld Agent · Claude Opus 4.8 · Max · Batched tool
Configuración
Modelo base	MiniMax M3	Claude Opus 4.8
ID o etiqueta del modelo en la fuente	MiniMax M3	Claude Opus 4.8
Herramientas	Herramienta estándar de uso de computadoras	Herramienta por lotes de uso de ordenadores
Resultado
Finalización binaria	4.6%	20.6%
Puntuación parcial	22.3%	54.8%
Coste comunicado de la prueba de referencia	258,78 US$	No publicado
Fuente
Abrir fuente	Abrir fuente ↗	Abrir fuente ↗

Configuración

OSWorld Agent · MiniMax M3 · Enabled · Standard

Modelo base: MiniMax M3
ID o etiqueta del modelo en la fuente: MiniMax M3
Herramientas: Herramienta estándar de uso de computadoras

OSWorld Agent · Claude Opus 4.8 · Max · Batched tool

Modelo base: Claude Opus 4.8
ID o etiqueta del modelo en la fuente: Claude Opus 4.8
Herramientas: Herramienta por lotes de uso de ordenadores

Resultado

OSWorld Agent · MiniMax M3 · Enabled · Standard

Finalización binaria: 4.6%
Puntuación parcial: 22.3%
Coste comunicado de la prueba de referencia: 258,78 US$

OSWorld Agent · Claude Opus 4.8 · Max · Batched tool

Finalización binaria: 20.6%
Puntuación parcial: 54.8%
Coste comunicado de la prueba de referencia: No publicado

Fuente

OSWorld Agent · MiniMax M3 · Enabled · Standard

Abrir fuente ↗

OSWorld Agent · Claude Opus 4.8 · Max · Batched tool

Abrir fuente ↗

Datos comunicados por la fuente; los valores ausentes siguen siendo desconocidos.

Validar antes de adoptar

Las clasificaciones públicas permiten elaborar una lista de finalistas. Una pequeña prueba privada determina si la configuración se adapta a tu trabajo.

1
Elige entre 10 y 20 tareas representativas y define una condición de aprobación clara.
2
Fija el agente, el modelo, las herramientas, los permisos y el presupuesto antes de realizar la prueba.
3
Ejecute cada tarea importante más de una vez; registre el éxito, el coste, el tiempo y las intervenciones humanas.
4
Revise los fallos y los riesgos del tratamiento de datos antes de tomar una decisión de producción.

← Directorio y evaluaciones de Agents