电脑操作 · %

OSWorld (Verified)

在完整 Ubuntu 桌面里完成 369 个真实电脑任务（浏览器、办公软件、文件管理、终端），由脚本按执行结果判分。

持续更新数据污染风险: 中 20 条成绩 · 9 个模型更新于 2026年10月22日最新成绩：2026-02-17 · 数据较旧官方榜单 ↗

测什么

电脑操作 agent 的任务成功率。数据由 Epoch AI 从 OSWorld 官网汇编。

各条目的步数上限（15/50/100）和 agent 框架不同，应同条件比较。

任务定义公开。

1 个模型

#	模型	厂商	分数	名次	设定	来源类型	日期
1	Claude Opus 4.5	Anthropic	66.3%	1	OSWorld; agent: Claude Opus 4.5; effort: no thinking	厂商自报 via Epoch AI	2025年11月25日

8 个模型

#	模型	厂商	分数	名次	设定	来源类型	日期
1	Claude Sonnet 4.6	Anthropic	72.1%	1	OSWorld; agent: claude-sonnet-4-6 (100 steps); effort: no thinking	官方榜单 via Epoch AI	2026年2月17日
2	Kimi K2.5OW	Moonshot AI	63.3%	2	OSWorld; agent: Kimi-K2.5	官方榜单 via Epoch AI	2026年2月3日
3	Claude Sonnet 4.5	Anthropic	62.9%	3	OSWorld; agent: claude-sonnet-4-5-20250929 (100 steps); effort: no thinking	官方榜单 via Epoch AI	2025年10月30日
4	Claude Sonnet 4	Anthropic	43.9%	5	OSWorld; agent: claude-4-sonnet-20250514 (50 steps)	官方榜单 via Epoch AI	2025年7月27日
5	Claude 3.7 Sonnet	Anthropic	35.8%	8	OSWorld; agent: claude-3-7-sonnet-20250219 (50 steps)	官方榜单 via Epoch AI	2025年7月27日
6	computer-use-preview-2025-03-11	—	31.3%	10	OSWorld; agent: computer-use-preview (50 steps)	官方榜单 via Epoch AI	2025年7月27日
7	o3	OpenAI	23.0%	15	OSWorld; agent: o3 (100 steps); effort: medium	官方榜单 via Epoch AI	2025年7月27日
8	Qwen2.5-72BOW	Alibaba (Qwen)	5.0%	18	OSWorld; agent: qwen2.5-vl-72b-instruct (100 steps)	官方榜单 via Epoch AI	2025年7月27日

按评测日期，每一步表示本站数据中出现了新的最高分。

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

OSWorld (Verified) 测的是什么？

在完整 Ubuntu 桌面里完成 369 个真实电脑任务（浏览器、办公软件、文件管理、终端），由脚本按执行结果判分。电脑操作 agent 的任务成功率。数据由 Epoch AI 从 OSWorld 官网汇编。

OSWorld (Verified) 的结果可靠吗？

各条目的步数上限（15/50/100）和 agent 框架不同，应同条件比较。数据污染风险: 中 – 任务定义公开。