OpenGPTAgent评测
OSWorld 2.0 Agent评测
OpenGPT将10条公开记录保留在下方所示的OSWorld 2.0 评测版本与环境内。
- 任务
- 108
- 公开记录
- 10
- 来源数据日期
- 身份核验日期
- 历史记录
数据范围
reproducible VMs. 500 steps.中的task version v2026.06.24 · 500-step budget. long-horizon computer workflows. Desktop applications and operating-system workflows
OpenGPT如何处理这些数据
OpenGPT保留发布方的指标、任务范围、环境、版本、配置字段与数据日期，不生成跨评测Agent总分。
可比边界
- 更高结果只适用于所展示的评测版本与条件。
- Agent结果反映完整系统，而不是基础模型单独能力。
- 成本、稳定性、安全性或速度没有公开时保持未报告，不进行推测。
- 这些数据行将版本锁定在 v2026.06.24 的结果作为历史证据保留。由于当前生效的 v2026.08.08 基准版本改变了任务语义，且没有匹配的当前结果快照，因此不会将其重新标记为当前结果。
task version v2026.06.24 · 500-step budget
展示10条公开记录中的10条；每项结果都保留来源评测与配置。
- OSWorld Agent · Claude Opus 4.8 · Max · Batched toolAnthropic · Claude Opus 4.8#1Binary completion: 20.6%OSWorld 2.0 计算机操作智能体
- OSWorld Agent · Claude Opus 4.8 · Max · StandardAnthropic · Claude Opus 4.8#2Binary completion: 18.52%OSWorld 2.0 计算机操作智能体
- OSWorld Agent · Claude Opus 4.7 · Max · Batched toolAnthropic · Claude Opus 4.7#3Binary completion: 18.2%OSWorld 2.0 计算机操作智能体
- OSWorld Agent · Claude Opus 4.7 · Max · StandardAnthropic · Claude Opus 4.7#4Binary completion: 13.9%OSWorld 2.0 计算机操作智能体
- OSWorld Agent · GPT-5.5 · Xhigh · Batch toolOpenAI · GPT-5.5#5Binary completion: 13.0%OSWorld 2.0 计算机操作智能体
- OSWorld Agent · Claude Sonnet 4.6 · Medium · StandardAnthropic · Claude Sonnet 4.6#6Binary completion: 9.3%OSWorld 2.0 计算机操作智能体
- OSWorld Agent · Claude Sonnet 4.6 · Max · StandardAnthropic · Claude Sonnet 4.6#7Binary completion: 8.3%OSWorld 2.0 计算机操作智能体
- OSWorld Agent · MiniMax M3 · Enabled · StandardMiniMax · MiniMax M3#8Binary completion: 4.6%OSWorld 2.0 计算机操作智能体
- OSWorld Agent · Kimi 2.6 · Enabled · StandardMoonshot AI · Kimi 2.6#8Binary completion: 4.6%OSWorld 2.0 计算机操作智能体
- OSWorld Agent · Qwen 3.7-Plus · Thinking · StandardAlibaba Qwen · Qwen 3.7-Plus#10Binary completion: 2.8%OSWorld 2.0 计算机操作智能体