OpenGPT
Rechercher⌘K

Périmètre de benchmark partagé · OSWorld 2.0

Comparaison d’agents au sein du même benchmark

Preuve historique

Les entrées ci-dessous relèvent du même périmètre de benchmark. Leurs échafaudages, versions de modèles, dates et valeurs sources d’origine exacts restent visibles.

Une valeur source plus élevée indique uniquement de meilleures performances pour ce benchmark et cette configuration. Il ne s’agit ni d’un score comparable entre benchmarks ni d’un indicateur d’aptitude à la production.

Comparer ce qui est comparable

Vue d’ensemble de la décision

Seules les configurations appartenant à la même version du benchmark et au même périmètre de tâches peuvent être réunies dans une comparaison.

Données déclarées par la source ; les valeurs manquantes restent inconnues.

Les différences en un regard

OSWorld 2.0 · Achèvement binaire

Les différences en un regardOSWorld Agent · Claude Opus 4.7 · Max · Batched toolOSWorld Agent · Claude Opus 4.8 · Max · Batched tool
Points forts—
  • Résultat publié supérieur: 20.6%
Compromis et limites
  • Résultat publié inférieur: 18.2%
—
Fonctions et coût
  • Modèle de base: Claude Opus 4.7Échafaudage: OSWorld 2.0 computer-use agent
  • Modèle de base: Claude Opus 4.8Échafaudage: OSWorld 2.0 computer-use agent
Détails de l’Agent →Détails de l’Agent →
Toutes les données et sources
17 champs identiques ou entièrement non renseignés masqués
Système AgentOSWorld Agent · Claude Opus 4.7 · Max · Batched toolOSWorld Agent · Claude Opus 4.8 · Max · Batched tool
Configuration
Modèle de baseClaude Opus 4.7Claude Opus 4.8
ID ou libellé du modèle sourceClaude Opus 4.7Claude Opus 4.8
Résultat obtenu
Achèvement binaire18.2%20.6%
Score partiel48.91%54.8%
Source
Ouvrir la sourceOuvrir la source ↗Ouvrir la source ↗

Configuration

OSWorld Agent · Claude Opus 4.7 · Max · Batched tool

Modèle de base
Claude Opus 4.7
ID ou libellé du modèle source
Claude Opus 4.7

OSWorld Agent · Claude Opus 4.8 · Max · Batched tool

Modèle de base
Claude Opus 4.8
ID ou libellé du modèle source
Claude Opus 4.8

Résultat obtenu

OSWorld Agent · Claude Opus 4.7 · Max · Batched tool

Achèvement binaire
18.2%
Score partiel
48.91%

OSWorld Agent · Claude Opus 4.8 · Max · Batched tool

Achèvement binaire
20.6%
Score partiel
54.8%

Source

Données déclarées par la source ; les valeurs manquantes restent inconnues.

Valider avant l’adoption

Les classements publics permettent d’établir une présélection. Un petit essai privé détermine si la configuration convient à vos tâches.

  1. 1

    Choisissez 10 à 20 tâches représentatives et définissez une condition de réussite claire.

  2. 2

    Verrouillez l’agent, le modèle, les outils, les autorisations et le budget avant le test.

  3. 3

    Exécutez chaque tâche importante plusieurs fois ; consignez la réussite, le coût, la durée et les reprises en main.

  4. 4

    Examinez les échecs et les risques liés au traitement des données avant toute décision de production.

← Annuaire et évaluations des Agents