korshunov.ai ML 世界的要闻一览
ZH-HANS
Benchmark · agentic

OSWorld 2.0

9 条结果 7 个模型

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
时间线
日期 模型 得分 来源
2026-09-05 GPT‑6 Astra 72.6% OpenAI发布GPT-6 Astra，提升计算机使用、编码和网络安全能力
2026-09-04 GPT-6 Astra 72.6% OpenAI发布GPT-6 Astra，一款拥有1.05M上下文的计算机使用模型
2026-09-04 Muse Spark 1.3 66.9% Meta 发布 Muse Spark 1.3，减少工具调用和 token 数量
2026-09-01 Claude Fable 5.1 41.7% Anthropic 发布 Claude Fable 5.1，在 Terminal-Bench-Science 上取得 52.6% 的成绩，并降低缓存读取成本
2026-08-04 Qwen-CUA 18.5% Qwen发布Qwen-CUA，一款拥有397B-A17B参数的原生计算机使用智能体
2026-08-04 Qwen-CUA-Max 21.2% Qwen发布Qwen-CUA，一款拥有397B-A17B参数的原生计算机使用智能体
2026-08-04 Qwen-CUA 18.5% Qwen发布Qwen-CUA，一款拥有397B-A17B参数的原生计算机使用智能体
2026-08-04 Qwen-CUA-Max 21.2% Qwen发布Qwen-CUA，一款拥有397B-A17B参数的原生计算机使用智能体
2026-07-28 Claude Opus 5 70.0% Anthropic 发布 Claude Opus 5，作为 Fable 的高性价比替代方案