Benchmark · agentic

OSWorld 2.0

9 résultats 7 modèles

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.

Claude Opus 5 Qwen-CUA Qwen-CUA-Max Claude Fable 5.1 Muse Spark 1.3 GPT-6 Astra GPT‑6 Astra

Chronologie

Date	Modèle	Score	Source
2026-09-05	GPT‑6 Astra	72.6%	OpenAI publie GPT-6 Astra avec des capacités améliorées d'utilisation de l'ordinateur, de codage et de cybersécurité
2026-09-04	GPT-6 Astra	72.6%	OpenAI publie GPT-6 Astra, un modèle d'utilisation informatique avec une fenêtre de contexte de 1,05M
2026-09-04	Muse Spark 1.3	66.9%	Meta lance Muse Spark 1.3 avec moins d'appels d'outils et de tokens
2026-09-01	Claude Fable 5.1	41.7%	Anthropic publie Claude Fable 5.1 avec 52,6 % sur Terminal-Bench-Science et des lectures de cache moins chères
2026-08-04	Qwen-CUA	18.5%	Qwen publie Qwen-CUA, un agent d'utilisation native du ordinateur de 397B-A17B
2026-08-04	Qwen-CUA-Max	21.2%	Qwen publie Qwen-CUA, un agent d'utilisation native du ordinateur de 397B-A17B
2026-08-04	Qwen-CUA	18.5%	Qwen publie Qwen-CUA, un agent d'utilisation native du ordinateur de 397B-A17B
2026-08-04	Qwen-CUA-Max	21.2%	Qwen publie Qwen-CUA, un agent d'utilisation native du ordinateur de 397B-A17B
2026-07-28	Claude Opus 5	70.0%	Anthropic lance Claude Opus 5 comme alternative rentable à Fable