BenchLeader

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。

14 / 14
#
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

更多智能体与工具基准测试 · 全部大模型基准测试

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。