OSWorld · System Card 所称 2.0;2026-09-10 任务与资源版本、108 题、更新 harness · 测试定义与成绩

OSWorld · System Card 所称 2.0;2026-09-10 任务与资源版本、108 题、更新 harness 收录 2 次模型发布的评测披露或成绩。

测试版本与指标

别名 OSWorld 2.0 (2026-09 revised protocol)

  • Partial score · % · 越高越好
  • Strict pass rate · % · 越高越好

各系列最新模型 · 公布成绩

常规展示范围。排名按指标与评测协议分组,已记录的工具、预算及框架分别展示。条件未说明的组保留公布值供查证。

Partial score %

工具条件未记录 / max / 框架未记录 · 108 tasks; partial score; pass@1 averaged over five runs; 1080p; max 500 steps; max effort。

OSWorld · System Card 所称 2.0;2026-09-10 任务与资源版本、108 题、更新 harness · Partial score · 工具条件未记录 / max / 框架未记录 · 108 tasks; partial score; pass@1 averaged over five runs; 1080p; max 500 steps; max effort。
模型与配置成绩(%)记录与证据
Claude Opus 5.5Max81.8%

Strict pass rate %

工具条件未记录 / max / 框架未记录 · 108 tasks; strict pass rate; pass@1 averaged over five runs; 1080p; max 500 steps; max effort。

OSWorld · System Card 所称 2.0;2026-09-10 任务与资源版本、108 题、更新 harness · Strict pass rate · 工具条件未记录 / max / 框架未记录 · 108 tasks; strict pass rate; pass@1 averaged over five runs; 1080p; max 500 steps; max effort。
模型与配置成绩(%)记录与证据
Claude Opus 5.5Max48.7%

历史记录 · 2 次发布

  • Claude Opus 5.5本次发布有 2 条成绩记录,含 2 条精确值(可含历史记录)
  • Claude Opus 5本次发布有 2 条成绩记录,含 2 条精确值(可含历史记录)