OSWorld
桌面与操作系统已核验最近更新 2026-10-04
考察 Agent 端到端操作真实桌面环境的基准。
2026 年 2 月 Claude Sonnet 4.6 以 72.5% 越过 OSWorld 的 72.36% 人类基线，到 2026 年 6 月 GPT-5.4 达到 75.0%——这是少数「人类参照线已被超越」的 Agent 基准之一。
关键事实
| 2026 前沿 | Claude Sonnet 4.6 为 72.5%（2026-02）；GPT-5.4 为 75.0%（2026-06） |
|---|---|
| 人类基线 | 72.36% (original paper) |
| 可信度 | 属于较可信的 Agent 基准：72.36% 的人类基线是真实的参照点而非饱和上限，因此差距仍反映真实能力。需注意 72.36% 并非熟练用户的满分。 |
| 核验状态 | 已核验 |
| 来源 | OSWorld |
FAQ
OSWorld 测的是什么？
考察 Agent 端到端操作真实桌面环境的基准。
OSWorld 的 2026 年前沿水平是多少？
Claude Sonnet 4.6 为 72.5%（2026-02）；GPT-5.4 为 75.0%（2026-06）
OSWorld 可信吗？
属于较可信的 Agent 基准：72.36% 的人类基线是真实的参照点而非饱和上限，因此差距仍反映真实能力。需注意 72.36% 并非熟练用户的满分。