OSWorld-Verified 2.0 排行榜
截至 2026年11月16日,OSWorld-Verified 2.0 的最高分为 31.4%,由 Claude Opus 5(Anthropic)取得,领先于 GPT-5.6 Sol(27.3%)。共有 14 个模型配置公布了结果(OSWorld,结果日期 2026年7月24日)。OSWorld-Verified 给智能体一台真实的 Ubuntu 桌面,装有办公套件、浏览器和文件管理器,要求它完成人类用鼠标和键盘完成的任务,并通过检查生成的文件和应用状态来评判。OSWorld-Verified 2.0 计入 BenchLeader Index 的智能体与工具得分。
要点(截至 2026年11月16日)
- Claude Opus 5 以 31.4% 保持 OSWorld-Verified 2.0 最高分(OSWorld,2026年7月24日)。
- GPT-5.6 Sol 以 27.3% 位列 OSWorld-Verified 2.0 第二(OSWorld,2026年7月9日)。
- OSWorld-Verified 2.0:在真实桌面环境中操作计算机的任务(OSWorld)。
- BenchLeader 上有 14 个模型配置公布了 OSWorld-Verified 2.0 结果(BenchLeader,2026年11月16日)。
- OSWorld-Verified 2.0 计入 BenchLeader Index 的智能体与工具类别(BenchLeader 方法论)。
在真实桌面环境中操作计算机的任务。
- 发布方
- OSWorld数据经由 Epoch AI Benchmarking Hub
- 类别
- 智能体与工具
- Index 权重
- 0.5
- 模型
- 14
- 数据截至
- 2026年11月16日
- 最新结果
- 2026年7月24日
自 2026年7月24日 以来,发布方没有在该排行榜上公布新结果。BenchLeader 每天都会重新读取,新模型的结果一经公布就会出现在这里。
CC BY 4.0 — Epoch AI, ‘AI Benchmarking Hub’, epoch.ai/benchmarks. Mirrored boards credit their original publishers.
测试内容
OSWorld-Verified 给智能体一台真实的 Ubuntu 桌面,装有办公套件、浏览器和文件管理器,要求它完成人类用鼠标和键盘完成的任务,并通过检查生成的文件和应用状态来评判。
评分方式
在已修正检查器的验证任务集上、在固定步数预算内完成任务的百分比。
注意事项
分数取决于截图分辨率、步数上限和计算机操作测试框架,所以只能比较设置相同的运行。人类在同样任务上的成功率约为 70%,可作为模型分数的参照。
- 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 |
相关基准测试
OSWorld-Verified 2.0 上的热门模型对比
引用格式:BenchLeader,《OSWorld-Verified 2.0 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/osworld_2。
OSWorld-Verified 2.0:常见问题
- OSWorld-Verified 2.0 衡量的是什么?
- OSWorld-Verified 给智能体一台真实的 Ubuntu 桌面,装有办公套件、浏览器和文件管理器,要求它完成人类用鼠标和键盘完成的任务,并通过检查生成的文件和应用状态来评判。分数以完成任务的百分比表示,越高越好。
- OSWorld-Verified 2.0 的最高分是多少?
- 截至 2026年11月16日,OSWorld-Verified 2.0 的最高分为 31.4%,由 Claude Opus 5 取得(结果日期 2026年7月24日),领先于 GPT-5.6 Sol(27.3%)。分数来自 OSWorld,每天重新读取。
- 哪个 AI 模型在 OSWorld-Verified 2.0 上领先?
- 截至 2026年11月16日,OSWorld-Verified 2.0 排名第一的是 Claude Opus 5,分数为 31.4%(结果日期 2026年7月24日)。其后为 GPT-5.6 Sol(27.3%)。
- 有多少模型有 OSWorld-Verified 2.0 结果?
- BenchLeader 上有 14 个模型配置有 OSWorld-Verified 2.0 结果,全部取自 OSWorld(经由 Epoch AI Benchmarking Hub)。
- OSWorld-Verified 2.0 由谁运行,多久更新一次?
- OSWorld-Verified 2.0 由 OSWorld 发布。BenchLeader 每天重新读取一次公布的结果,并记录每个结果的发布日期。
- OSWorld-Verified 2.0 是否计入 BenchLeader Index?
- 计入。OSWorld-Verified 2.0 计入 BenchLeader Index 的智能体与工具类别,并经过归一化,使参评模型的平均值为 50。