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 · Claude Opus 4.7 · Max · Batched tool	OSWorld Agent · Claude Opus 4.8 · Max · Batched tool
Ventajas	—	Resultado publicado mayor: 20.6%
Limitaciones y compromisos	Resultado publicado menor: 18.2%	—
Funciones y coste	Modelo base: Claude Opus 4.7Andamiaje: OSWorld 2.0 computer-use agent	Modelo base: Claude Opus 4.8Andamiaje: OSWorld 2.0 computer-use agent
	Detalles del Agent →	Detalles del Agent →

Todos los datos y fuentes

17 campos idénticos o sin datos se ocultan

Sistema Agent	OSWorld Agent · Claude Opus 4.7 · Max · Batched tool	OSWorld Agent · Claude Opus 4.8 · Max · Batched tool
Configuración
Modelo base	Claude Opus 4.7	Claude Opus 4.8
ID o etiqueta del modelo en la fuente	Claude Opus 4.7	Claude Opus 4.8
Resultado
Finalización binaria	18.2%	20.6%
Puntuación parcial	48.91%	54.8%
Fuente
Abrir fuente	Abrir fuente ↗	Abrir fuente ↗

Configuración

OSWorld Agent · Claude Opus 4.7 · Max · Batched tool

Modelo base: Claude Opus 4.7
ID o etiqueta del modelo en la fuente: Claude Opus 4.7

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

Resultado

OSWorld Agent · Claude Opus 4.7 · Max · Batched tool

Finalización binaria: 18.2%
Puntuación parcial: 48.91%

OSWorld Agent · Claude Opus 4.8 · Max · Batched tool

Finalización binaria: 20.6%
Puntuación parcial: 54.8%

Fuente

OSWorld Agent · Claude Opus 4.7 · Max · Batched tool

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