待验证50% 置信事实精确时间

OSWorld 2.0采用细粒度检查点部分奖励评分，平均每个任务有27.25个检查点，不要求固定顺序

1

来源数

50%

置信度

长期有效

时效性

2026/7/9

首次发现

来源

OSWorld 2.0测评：最强AI Agent完成率仅20%，长流程是致命短板

bilibili熊二等兵2026/7/1

相关事实

待验证实测中使用AnySearch Skill完成搜索任务消耗18个额度点，不使用时消耗23个额度点，节省约27%64% 相似待验证测试者评估Codex大概能完成看板上30%的任务57% 相似待验证MiniMax M2.7每任务提问0.6个问题，但澄清推进率只有60.7%，存在低信息增益提问问题56% 相似待验证根据Artificial Analysis数据，Fable完成单个任务约用33k token，Opus 5约用37k token55% 相似待验证MiniMax M3 在7个高难度任务测试中获得平均58.3分55% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/338172

API

curl https://kongchang.com/api/v1/knowledge/claims/338172

MCP

get_claim(id=338172)