BenchLeader

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。

14件中14件
#
1Claude Opus 5max31.4%65.02026-07-24
2Claude Opus 5xhigh30.2%60.12026-07-24
3Claude Opus 5high29.0%64.42026-07-24
4GPT-5.6 Solmax27.3%65.32026-07-09
5Claude Opus 5medium25.3%57.52026-07-24
6Claude Opus 5low22.3%57.02026-07-24
7Claude Opus 4.8max20.6%61.12026-05-28
8Claude Opus 4.7max18.2%59.72026-04-16
9GPT-5.5xhigh13.0%64.12026-04-23
10Claude Sonnet 4.6medium9.3%–2026-02-17
11Claude Sonnet 4.6max8.3%56.12026-02-17
12MiniMax M34.6%56.12026-06-01
13Kimi K2.64.6%55.12026-04-20
14Qwen3.7 Plus2.8%57.62026-06-02

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

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。