OSWorld-Verified 2.0のリーダーボード
2026年11月16日時点で、OSWorld-Verified 2.0の最高スコアは31.4%で、Claude Opus 5(Anthropic)が記録しています。次点はGPT-5.6 Solの27.3%です。公表された結果があるのは14のモデル構成です(OSWorld、結果の日付は2026年7月24日)。OSWorld-Verifiedは、オフィススイート、ブラウザ、ファイルマネージャーを備えた実際のUbuntuデスクトップをエージェントに与え、人間がマウスとキーボードで行うようなタスクを実行させます。結果はファイルやアプリケーションの状態を確認して判定します。OSWorld-Verified 2.0はBenchLeader Indexのエージェント・ツールスコアに反映されます。
要点(2026年11月16日時点)
- Claude Opus 5がOSWorld-Verified 2.0の最高スコア31.4%を記録しています(OSWorld、2026年7月24日)。
- OSWorld-Verified 2.0の2位はGPT-5.6 Solで、27.3%です(OSWorld、2026年7月9日)。
- OSWorld-Verified 2.0:実際のデスクトップ環境でのコンピューター操作タスク(OSWorld)。
- BenchLeaderでは14のモデル構成にOSWorld-Verified 2.0の公表結果があります(BenchLeader、2026年11月16日)。
- OSWorld-Verified 2.0はBenchLeader Indexのエージェント・ツールカテゴリに反映されます(BenchLeaderの評価方法)。
実際のデスクトップ環境でのコンピューター操作タスク。
- 公開元
- OSWorldデータ取得元:Epoch AI Benchmarking Hub
- カテゴリ
- エージェント・ツール
- Indexでの重み
- 0.5
- モデル
- 14
- データ基準日
- 2026年11月16日
- 最新の結果
- 2026年7月24日
公開元は2026年7月24日以降、このボードに新しい結果を掲載していません。BenchLeaderは毎日読み直しているので、新しいモデルの結果は公開され次第ここに表示されます。
CC BY 4.0 — Epoch AI, ‘AI Benchmarking Hub’, epoch.ai/benchmarks. Mirrored boards credit their original publishers.
どんなテストか
OSWorld-Verifiedは、オフィススイート、ブラウザ、ファイルマネージャーを備えた実際のUbuntuデスクトップをエージェントに与え、人間がマウスとキーボードで行うようなタスクを実行させます。結果はファイルやアプリケーションの状態を確認して判定します。
採点方法
完了したタスクの割合で、チェッカーを修正した検証済みのタスクセットを使い、ステップ数の上限を固定して測定します。
注意点
スコアはスクリーンショットの解像度、ステップ数の上限、コンピューター操作用のハーネスに左右されるため、同じ設定の実行同士で比較してください。同じタスクでの人間の成功率は約70%で、モデルのスコアを読む際の目安になります。
- 1Claude Opus 5 (max)31.4%
- 2Claude Opus 5 (xhigh)30.2%
- 3Claude Opus 5 (high)29.0%
- 4GPT-5.6 Sol (max)27.3%
- 5Claude Opus 5 (medium)25.3%
- 6Claude Opus 5 (low)22.3%
- 7Claude Opus 4.8 (max)20.6%
- 8Claude Opus 4.7 (max)18.2%
- 9GPT-5.5 (xhigh)13.0%
- 10Claude Sonnet 4.6 (medium)9.3%
- 11Claude Sonnet 4.6 (max)8.3%
- 12MiniMax M34.6%
- 13Kimi K2.64.6%
- 14Qwen3.7 Plus2.8%
| # | ||||
|---|---|---|---|---|
| 1 | 31.4% | 65.0 | 2026-07-24 | |
| 2 | 30.2% | 60.1 | 2026-07-24 | |
| 3 | 29.0% | 64.4 | 2026-07-24 | |
| 4 | 27.3% | 65.3 | 2026-07-09 | |
| 5 | 25.3% | 57.5 | 2026-07-24 | |
| 6 | 22.3% | 57.0 | 2026-07-24 | |
| 7 | 20.6% | 61.1 | 2026-05-28 | |
| 8 | 18.2% | 59.7 | 2026-04-16 | |
| 9 | 13.0% | 64.1 | 2026-04-23 | |
| 10 | 9.3% | – | 2026-02-17 | |
| 11 | 8.3% | 56.1 | 2026-02-17 | |
| 12 | 4.6% | 56.1 | 2026-06-01 | |
| 13 | 4.6% | 55.1 | 2026-04-20 | |
| 14 | 2.8% | 57.6 | 2026-06-02 |
エージェント・ツールのベンチマークをもっと見る · LLMベンチマーク一覧
関連するベンチマーク
OSWorld-Verified 2.0での注目のモデル比較
引用表記:BenchLeader「OSWorld-Verified 2.0のリーダーボード」2026年11月16日時点のデータ、https://www.benchleader.com/ja/benchmarks/osworld_2
OSWorld-Verified 2.0:よくある質問
- OSWorld-Verified 2.0は何を測るベンチマークですか?
- OSWorld-Verifiedは、オフィススイート、ブラウザ、ファイルマネージャーを備えた実際のUbuntuデスクトップをエージェントに与え、人間がマウスとキーボードで行うようなタスクを実行させます。結果はファイルやアプリケーションの状態を確認して判定します。スコアは解けたタスクの割合(%)で示され、高いほど良い結果です。
- OSWorld-Verified 2.0の最高スコアは?
- 2026年11月16日時点で、OSWorld-Verified 2.0の最高スコアは31.4%で、Claude Opus 5が記録しています(結果の日付は2026年7月24日)。次点はGPT-5.6 Solの27.3%です。スコアはOSWorldの公表値で、毎日読み直しています。
- OSWorld-Verified 2.0でトップのAIモデルは?
- 2026年11月16日時点で、OSWorld-Verified 2.0の首位はClaude Opus 5で、スコアは31.4%です(結果の日付は2026年7月24日)。続いてGPT-5.6 Sol(27.3%)です。
- OSWorld-Verified 2.0の結果があるモデルはいくつですか?
- BenchLeaderでは14のモデル構成にOSWorld-Verified 2.0の結果があり、すべてOSWorld(Epoch AI Benchmarking Hub経由)から取得しています。
- OSWorld-Verified 2.0を運営しているのは誰で、どのくらいの頻度で更新されますか?
- OSWorld-Verified 2.0はOSWorldが公開しています。BenchLeaderは公開された結果を1日1回読み直し、各結果の公開日を記録しています。
- OSWorld-Verified 2.0はBenchLeader Indexに含まれますか?
- はい。OSWorld-Verified 2.0はBenchLeader Indexのエージェント・ツールカテゴリに反映され、評価対象モデルの平均が50になるよう正規化されています。