Claude Opus · OSWorld · System Card 所称 2.0;2026-09-10 任务与资源版本、108 题、更新 harness · 历代记录

按发布时间查看 Claude Opus 的 2 次发布在 OSWorld · System Card 所称 2.0;2026-09-10 任务与资源版本、108 题、更新 harness 的成绩、配置与披露。

仅为直接前代间的唯一、有效精确值计算差值,要求单位、指标与明确记录的配置和条件一致。

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)

Claude Opus 5 · OSWorld 成绩与配置
指标与成绩配置与评测条件出处
Partial score74%原文 74.0% partial · 单位 %
公布 未确认
OSWorld 2.0 更新 harness
设置
System Card 后续披露的 2026-09-10 task/assets 版本,108 题,保留全部截图并启用 server-side context management。
未知项
System Card 修订日期未公布;与 launch table 的原 OSWorld 2.0 值不可直接比较。
工具
工具条件未记录
推理预算
未记录
框架
未记录
协议
OSWorld 2.0 System Card 后续更新;108 任务、5 次运行,更新 task/assets 与 context 管理。
条件
Card 明确声明 task files 与 harness 均不同,因此不与 launch table 70.6% 直接比较;当前 card revision/disclosure date 未明确。
在排名中查看此成绩
Strict pass rate37.2%原文 37.2% strict pass · 单位 %
公布 未确认
OSWorld 2.0 更新 harness
设置
System Card 后续披露的 2026-09-10 task/assets 版本,108 题,保留全部截图并启用 server-side context management。
未知项
System Card 修订日期未公布;与 launch table 的原 OSWorld 2.0 值不可直接比较。
工具
工具条件未记录
推理预算
未记录
框架
未记录
协议
OSWorld 2.0 System Card 后续更新;108 任务、5 次运行,更新 task/assets 与 context 管理。
条件
Card 明确声明与早期协议结果不具直接可比性;当前 card revision/disclosure date 未明确。
在排名中查看此成绩

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)

与直接前代的记录缺少满足差值计算的同条件依据。

Claude Opus 5.5 · OSWorld 成绩与配置
指标与成绩配置与评测条件出处
Partial score81.8%原文 81.8% partial · 单位 %
公布 未确认
System Card OSWorld 2.0 更新协议
设置
108 个 long-horizon desktop tasks;五次独立运行;1080p、最多 500 steps、max effort;更新 task/assets 与 harness。
未知项
Card 当前修订日期未公布;与主文 OSWorld 2.1 标签对应关系不明确。
工具
工具条件未记录
推理预算
max
框架
未记录
协议
108 tasks; partial score; pass@1 averaged over five runs; 1080p; max 500 steps; max effort。
条件
Card says updated task/assets and screenshot/context management; not directly comparable with earlier benchmark/harness reports. Revision date unknown.
在排名中查看此成绩
Strict pass rate48.7%原文 48.7% strict pass · 单位 %
公布 未确认
System Card OSWorld 2.0 更新协议
设置
108 个 long-horizon desktop tasks;五次独立运行;1080p、最多 500 steps、max effort;更新 task/assets 与 harness。
未知项
Card 当前修订日期未公布;与主文 OSWorld 2.1 标签对应关系不明确。
工具
工具条件未记录
推理预算
max
框架
未记录
协议
108 tasks; strict pass rate; pass@1 averaged over five runs; 1080p; max 500 steps; max effort。
条件
Card says updated task/assets and screenshot/context management; not directly comparable with earlier benchmark/harness reports. Revision date unknown.
在排名中查看此成绩