OS World
OSWorld是一个用于评估AI智能体计算机操作能力的基准测试框架，专注于测量模型在真实桌面操作系统环境中完成任务的能力，涵盖文件管理、应用操作、网页浏览等多类交互场景。该基准通过模拟真实用户操作流程，评估模型的规划、执行与自主决策能力，是衡量计算机使用智能体综合性能的重要参考标准。
核心事实
时间轴 (近 90 天)
在OS World基准上，Muse Wonderful得分78.4，Muse Wonder得分72.6，Fable 5.1为80，Astra为75，Opus为81。
Haiku 5.5在Computer Use任务上比GPT-6 Luna高出约40%
Haiku 5.5 在计算机使用（computer use）任务上的得分从 16% 跃升至 72%
在 OS World 评测上，不到 12 个月前 Claude 得分不到 50%，而 Opus 4.7 已报告 78%
OpenAI官方声称GPT-6.1 Sol在某些方面比Astra更聪明
OS World将CUA战场从网页扩展到完整桌面操作，支持Linux、Windows等多种应用，成为最标准的CUA基准之一
在DeepSuite基准上Grok 4.7得71%，GPT 5.6 Sol为72.7%，Fable 5.1为70%，Astra Max以74.1%登顶
在 OS World 计算机操作测试中，Luna 得分 53%，而 Astra 达到 73%
该模型官方跑分为SWE Bench Pro 61.7、LiveCode Bench V6 90.3、OS World 84.3
NextN 2.5 的 OS World 成绩达到 56.4（官方口径），但权重标注 Coming soon，仅提供免费托管端点，无法独立复现
还有 6 条时间轴事件
全部知识事实 (20)
OpenAI官方声称GPT-6.1 Sol在某些方面比Astra更聪明
70%已验证Qwen3 27B在OS World Verified上从63.9跃升至84.3（官方自报数据）
70%已验证在DeepSuite基准上Grok 4.7得71%，GPT 5.6 Sol为72.7%，Fable 5.1为70%，Astra Max以74.1%登顶
65%已验证OS World是由卡内基梅隆大学等机构推出的评测基准，测试AI智能体在真实操作系统环境中执行复杂任务的能力
65%待验证Claude第一次推出计算机使用能力时，OS World得分还不到30%
80%待验证OS World基准测试由学术界于2024年提出，专门测试AI模型在真实操作系统环境中完成复杂任务的能力
80%待验证人类在OS World测试中的平均得分约为72-74%
70%待验证上一代Sonnet 4.5在OS World Verified基准测试中得分61.4%
60%待验证在OS World基准上，Muse Wonderful得分78.4，Muse Wonder得分72.6，Fable 5.1为80，Astra为75，Opus为81。
50%待验证Haiku 5.5在Computer Use任务上比GPT-6 Luna高出约40%
50%待验证Haiku 5.5 在计算机使用（computer use）任务上的得分从 16% 跃升至 72%
50%待验证在 OS World 评测上，不到 12 个月前 Claude 得分不到 50%，而 Opus 4.7 已报告 78%
50%待验证OS World将CUA战场从网页扩展到完整桌面操作，支持Linux、Windows等多种应用，成为最标准的CUA基准之一
50%待验证在 OS World 计算机操作测试中，Luna 得分 53%，而 Astra 达到 73%
50%待验证该模型官方跑分为SWE Bench Pro 61.7、LiveCode Bench V6 90.3、OS World 84.3
50%待验证NextN 2.5 的 OS World 成绩达到 56.4（官方口径），但权重标注 Coming soon，仅提供免费托管端点，无法独立复现
50%待验证Meta在展示OS World榜单成绩时使用了不同时间段的测试集与旧版模型对比，人为放大了进步幅度
50%待验证在Terminal-Bench 4.0上，Claude 5.1标准版得分55.8%，受信版达到60.9%；OS World 2.0部分完成率为77.9%
50%待验证相比上一代Qwen3.6-27B，Qwen3.8-27B在多项测试上大幅提升，其中Deep SWE从13.3提升到42.2（接近三倍），OS World从63.9提升到84.3
50%待验证OS World由卡内基梅隆大学等机构开发，要求模型在真实操作系统虚拟机中完成实际操作任务
50%