OSWorld

2024-04。给 GUI 副作用出完成谓词。Computer Use 报的 14.9% 对着这类基准，与编码线不可横比。

Xie 等。arXiv:2404.07972。真实操作系统里的开放电脑任务：369 题；人约 72%，当时最好模型约 12%。

  1. 论文 — 按原文转述：环境、任务、分数与失败模式。
  2. 讲解 — 为何电脑操作与编码 Agent 不是同一条可靠度曲线。

原文：arXiv:2404.07972。项目页：os-world.github.io。

OSWorld（论文）

按原文转述：真实电脑环境、369 题、人与模型的成功率差距。

OSWorld 讲解

「会用电脑」第一次有可复现的低分。像素通道成立；完成率远低于编码线。