ベンチマーク · 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.
| 日付 | モデル | スコア | ソース |
|---|---|---|---|
| 2026-09-05 | GPT‑6 Astra | 72.6% | OpenAI、コンピュータ操作、コーディング、サイバーセキュリティ能力を強化したGPT-6 Astraをリリース |
| 2026-09-04 | GPT-6 Astra | 72.6% | OpenAIが105万トークンのコンテキストを持つコンピュータ操作モデル「GPT-6 Astra」をリリース |
| 2026-09-04 | Muse Spark 1.3 | 66.9% | Meta、ツール呼び出しとトークンを削減した Muse Spark 1.3 をリリース |
| 2026-09-01 | Claude Fable 5.1 | 41.7% | AnthropicがClaude Fable 5.1をリリース、Terminal-Bench-Scienceで52.6%のスコアと低コストなキャッシュ読み込みを実現 |
| 2026-08-04 | Qwen-CUA | 18.5% | Qwenが397B-A17Bのネイティブコンピュータ使用エージェント「Qwen-CUA」をリリース |
| 2026-08-04 | Qwen-CUA-Max | 21.2% | Qwenが397B-A17Bのネイティブコンピュータ使用エージェント「Qwen-CUA」をリリース |
| 2026-08-04 | Qwen-CUA | 18.5% | Qwenが397B-A17Bのネイティブコンピュータ使用エージェント「Qwen-CUA」をリリース |
| 2026-08-04 | Qwen-CUA-Max | 21.2% | Qwenが397B-A17Bのネイティブコンピュータ使用エージェント「Qwen-CUA」をリリース |
| 2026-07-28 | Claude Opus 5 | 70.0% | AnthropicがClaude Opus 5をFableの費用対効果の高い代替案としてリリース |