korshunov.ai Semua yang penting di dunia ML
ID
Benchmark · agentic

OSWorld 2.0

9 hasil 7 model

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.

0 19.5 39 58.5 78 2026-07-28 2026-08-17 2026-09-05 Claude Opus 5 · 70 · 2026-07-28 Qwen-CUA · 18.5 · 2026-08-04 Qwen-CUA · 18.5 · 2026-08-04 Qwen-CUA-Max · 21.2 · 2026-08-04 Qwen-CUA-Max · 21.2 · 2026-08-04 Claude Fable 5.1 · 41.7 · 2026-09-01 Muse Spark 1.3 · 66.9 · 2026-09-04 GPT-6 Astra · 72.6 · 2026-09-04 GPT‑6 Astra · 72.6 · 2026-09-05
Claude Opus 5 Qwen-CUA Qwen-CUA-Max Claude Fable 5.1 Muse Spark 1.3 GPT-6 Astra GPT‑6 Astra
Linimasa
Tanggal Model Skor Sumber
2026-09-05 GPT‑6 Astra 72.6% OpenAI merilis GPT-6 Astra dengan kemampuan penggunaan komputer, pemrograman, dan keamanan siber yang lebih baik
2026-09-04 GPT-6 Astra 72.6% OpenAI merilis GPT-6 Astra, model penggunaan komputer dengan konteks 1,05 juta
2026-09-04 Muse Spark 1.3 66.9% Meta merilis Muse Spark 1.3 dengan lebih sedikit panggilan alat dan token
2026-09-01 Claude Fable 5.1 41.7% Anthropic merilis Claude Fable 5.1 dengan skor 52,6% di Terminal-Bench-Science dan bacaan cache yang lebih murah
2026-08-04 Qwen-CUA 18.5% Qwen merilis Qwen-CUA, agen penggunaan komputer asli 397B-A17B
2026-08-04 Qwen-CUA-Max 21.2% Qwen merilis Qwen-CUA, agen penggunaan komputer asli 397B-A17B
2026-08-04 Qwen-CUA 18.5% Qwen merilis Qwen-CUA, agen penggunaan komputer asli 397B-A17B
2026-08-04 Qwen-CUA-Max 21.2% Qwen merilis Qwen-CUA, agen penggunaan komputer asli 397B-A17B
2026-07-28 Claude Opus 5 70.0% Anthropic merilis Claude Opus 5 sebagai alternatif hemat biaya untuk Fable