OSWorld 2.0

简介

OSWorld 2.0 由 XLANG Lab 发布，包含 108 个长程真实计算机操作任务，人类完成单个任务的中位耗时约 1.6 小时。官方同时报告两套口径：partial score（按任务内检查点给部分分，平均每个任务 27.25 个检查点）与 strict 二值完成率（必须完全达成最终状态才计分），两者数值差距极大，不可混用。本站本基准统一收录 partial score 口径；strict 口径成绩请以厂商模型卡原文为准。另需注意各家使用的任务集版本不同（如 Anthropic 在 2026-08 任务集上重测），跨厂商比较仅供参考。