OSWorld · 2.1 (September 10, 2026 task/assets release) · 测试定义与成绩

OSWorld · 2.1 (September 10, 2026 task/assets release) 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 2.1

  • 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 · OSWorld 2.1 v2.1 task files/assets dated 2026-09-10; 108 tasks; Pass@1 averaged over five runs.

OSWorld · 2.1 (September 10, 2026 task/assets release) · Partial score · 工具条件未记录 / max / 框架未记录 · OSWorld 2.1 v2.1 task files/assets dated 2026-09-10; 108 tasks; Pass@1 averaged over five runs.
模型与配置成绩(%)记录与证据
Claude Sonnet 5.5Max80.1%

工具条件未记录 / max / 框架未记录 · OSWorld 2.1;主表未列 strict pass。

OSWorld · 2.1 (September 10, 2026 task/assets release) · Partial score · 工具条件未记录 / max / 框架未记录 · OSWorld 2.1;主表未列 strict pass。
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 · OSWorld 2.1 strict pass rate; every task checkpoint must be satisfied; Pass@1, five-run average.

OSWorld · 2.1 (September 10, 2026 task/assets release) · Strict pass rate · 工具条件未记录 / max / 框架未记录 · OSWorld 2.1 strict pass rate; every task checkpoint must be satisfied; Pass@1, five-run average.
模型与配置成绩(%)记录与证据
Claude Sonnet 5.5Max43.5%

历史记录 · 2 次发布

  • Claude Sonnet 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 5.5本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)