Benchmark · agentic
OSWorld 2.0
2026 long-horizon re-cut of OSWorld: 108 multi-app desktop workflows, median human task ~1.6h. Not on the same scale as OSWorld / OSWorld-Verified — file here only when the quote says 2.0.
| التاريخ | النموذج | النتيجة | المصدر |
|---|---|---|---|
| 2026-09-05 | GPT‑6 Astra | 72.6% | OpenAI تطلق GPT-6 Astra بقدرات محسّنة للاستخدام الحاسوبي والبرمجة وأمن السيبراني |
| 2026-09-04 | GPT-6 Astra | 72.6% | OpenAI تُطلق GPT-6 Astra، نموذج لاستخدام الحاسوب بسياق يتكون من 1.05M رمز |
| 2026-09-04 | Muse Spark 1.3 | 66.9% | Meta تطلق Muse Spark 1.3 بمكالمات أدوات ورموز أقل |
| 2026-09-01 | Claude Fable 5.1 | 41.7% | أنثروبيك تطلق كلاود فابل 5.1 بنسبة 52.6% على Terminal-Bench-Science وقراءات ذاكرة تخزين مؤقت أرخص |
| 2026-08-04 | Qwen-CUA | 18.5% | كيون تطلق كيون-سيوا، وكيل استخدام الحاسوب الأصلي ذو 397B-A17B |
| 2026-08-04 | Qwen-CUA-Max | 21.2% | كيون تطلق كيون-سيوا، وكيل استخدام الحاسوب الأصلي ذو 397B-A17B |
| 2026-08-04 | Qwen-CUA | 18.5% | Qwen تُطلق Qwen-CUA، وكيل استخدام الحاسوب الأصلي ذو 397B-A17B |
| 2026-08-04 | Qwen-CUA-Max | 21.2% | Qwen تُطلق Qwen-CUA، وكيل استخدام الحاسوب الأصلي ذو 397B-A17B |
| 2026-07-28 | Claude Opus 5 | 70.0% | أنثروبيك تطلق Claude Opus 5 كبديل فعال من حيث التكلفة لـ Fable |