电脑操作 · %
OSWorld 2.0
OSWorld 的长流程后继版本（2026），任务跨多个应用。
测什么
任务完全成功率（部分得分另计）。
局限
目前评测过的系统还少，运行成本高。
数据污染风险: 低
新任务。
排行
9 个模型
| # | 模型 | 厂商 | 分数 | 名次 | 设定 | 来源类型 | 日期 |
|---|---|---|---|---|---|---|---|
| 1 | Claude Opus 5 | Anthropic | 31.4% | 1 | Binary accuracy; 500 steps; reasoning: max; effort: max | 官方榜单 via Epoch AI | 2026年7月24日 |
| 2 | GPT-5.6 Sol | OpenAI | 27.3% | 4 | Binary accuracy; 500 steps; reasoning: max; effort: max | 官方榜单 via Epoch AI | 2026年7月9日 |
| 3 | Claude Opus 4.8 | Anthropic | 20.6% | 7 | Binary accuracy; 500 steps; reasoning: max | 官方榜单 via Epoch AI | 2026年5月28日 |
| 4 | Claude Opus 4.7 | Anthropic | 18.2% | 8 | Binary accuracy; 500 steps; reasoning: max; effort: max | 官方榜单 via Epoch AI | 2026年4月16日 |
| 5 | GPT-5.5 | OpenAI | 13.0% | 9 | Binary accuracy; 500 steps; reasoning: xhigh; effort: xhigh | 官方榜单 via Epoch AI | 2026年4月23日 |
| 6 | Claude Sonnet 4.6 | Anthropic | 9.3% | 10 | Binary accuracy; 500 steps; reasoning: medium; effort: medium | 官方榜单 via Epoch AI | 2026年2月17日 |
| 7 | MiniMax-M3OW | MiniMax | 4.6% | 12 | Binary accuracy; 500 steps; reasoning: enabled | 官方榜单 via Epoch AI | 2026年6月1日 |
| 8 | Kimi K2.6OW | Moonshot AI | 4.6% | 12 | Binary accuracy; 500 steps; reasoning: enabled | 官方榜单 via Epoch AI | 2026年4月20日 |
| 9 | Qwen3.7-Plus | Alibaba (Qwen) | 2.8% | 14 | Binary accuracy; 500 steps; reasoning: thinking | 官方榜单 via Epoch AI | 2026年6月2日 |
最高分变化
按评测日期，每一步表示本站数据中出现了新的最高分。
- 2026-02-179.3%Claude Sonnet 4.6
- 2026-04-1618.2%Claude Opus 4.7
- 2026-05-2820.6%Claude Opus 4.8
- 2026-07-0927.3%GPT-5.6 Sol
- 2026-07-2431.4%Claude Opus 5
数据来源与许可
| 来源 | 许可 / 条款 | 本站使用方式 | 最近抓取 |
|---|---|---|---|
| Epoch AI Benchmarking Hub Epoch AI, 'Capabilities & benchmarking', https://epoch.ai/benchmarks (CC BY 4.0) | CC BY 4.0 | 开放许可：完整收录并署名 | 2026年10月22日 |
常见问题
OSWorld 2.0 测的是什么？
OSWorld 的长流程后继版本（2026），任务跨多个应用。 任务完全成功率（部分得分另计）。
OSWorld 2.0 的结果可靠吗？
目前评测过的系统还少，运行成本高。 数据污染风险: 低 – 新任务。