基准OSWorld

OSWorld 2.1

评估AI模型在企业桌面操作系统自动化任务中表现的基准测试，涵盖GUI操作与系统级任务执行

核心事实

OSWorld 2.0包含108个长流程真实计算机任务，熟练人类完成这些任务的中位数时间是1.6小时，约为1.0版本（2分钟）的48倍

10月12日

Simular在生成OSWorld 2.1参考运行时，因模型密钥使用上限导致任务在一步后停止，却被记录为成功、得分为0，整个文件夹平均分算出0.40。

待验证50%

10月11日

Claude Sonnet 5.5在OSWorld 2.1企业桌面操作基准上达到80.1%

待验证50%

OSWorld 2.0包含108个长流程真实计算机任务，熟练人类完成这些任务的中位数时间是1.6小时，约为1.0版本（2分钟）的48倍

Claude Sonnet 5.5在OSWorld 2.1企业桌面操作基准上达到80.1%

Simular在生成OSWorld 2.1参考运行时，因模型密钥使用上限导致任务在一步后停止，却被记录为成功、得分为0，整个文件夹平均分算出0.40。