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.
| तारीख़ | मॉडल | स्कोर | स्रोत |
|---|---|---|---|
| 2026-09-05 | GPT‑6 Astra | 72.6% | OpenAI ने कंप्यूटर उपयोग, कोडिंग और साइबरसुरक्षा क्षमताओं में सुधार के साथ GPT-6 Astra जारी किया |
| 2026-09-04 | GPT-6 Astra | 72.6% | OpenAI ने GPT-6 Astra जारी किया, जो 1.05M संदर्भ के साथ एक कंप्यूटर-उपयोग मॉडल है |
| 2026-09-04 | Muse Spark 1.3 | 66.9% | Meta ने Muse Spark 1.3 जारी किया है जिसमें कम टूल कॉल और टोकन हैं |
| 2026-09-01 | Claude Fable 5.1 | 41.7% | Anthropic ने Claude Fable 5.1 को Terminal-Bench-Science पर 52.6% और सस्ते कैश रीड के साथ जारी किया |
| 2026-08-04 | Qwen-CUA | 18.5% | Qwen ने 397B-A17B नैटिव कंप्यूटर-यूज़ एजेंट Qwen-CUA जारी किया |
| 2026-08-04 | Qwen-CUA-Max | 21.2% | Qwen ने 397B-A17B नैटिव कंप्यूटर-यूज़ एजेंट Qwen-CUA जारी किया |
| 2026-08-04 | Qwen-CUA | 18.5% | Qwen ने Qwen-CUA जारी किया, एक 397B-A17B स्थानीय कंप्यूटर-उपयोग एजेंट |
| 2026-08-04 | Qwen-CUA-Max | 21.2% | Qwen ने Qwen-CUA जारी किया, एक 397B-A17B स्थानीय कंप्यूटर-उपयोग एजेंट |
| 2026-07-28 | Claude Opus 5 | 70.0% | Anthropic ने Claude Opus 5 को Fable के लिए एक किफायती विकल्प के रूप में जारी किया |