Benchmark

  • 榜单数据10-16 17:00
  • 论文数据10-16 13:30
  • 周报10-16 11:26

OSWorld 2.0

OSWorld 的 2.0 版本，评测计算机使用智能体完成长程真实任务的能力，共 108 个任务；只收录完整任务集的结果。

全部榜单官方页面论文 2606.29537
收录成绩3913 个模型或系统
当前第一44.4Darwinx w/ Claude Opus 4.8
指标二值准确率判定为成功的任务占比（%）
最近同步10-16 16:571 个数据源 · 任务执行

排名表

显示 39 / 39
模型机构参数开源评测设置来源备注
1Darwinx w/ Claude Opus 4.8Salesforce AI Research——44.476.0v2.1 · 450 步 · 推理 max (thinking disabled)模型方自报2026-10-16规划模型：anthropic/claude-opus-4-8
2Claude Opus 5———44.377.7v2.1 · 500 步 · 推理 max · batch tool官方榜单2026-10-16
3Sai w/ Claude Opus 5Simular——41.779.4v2.1 · 500 步 · 推理 max模型方自报2026-10-16规划模型：anthropic/claude-opus-5
4MuseSpark 1.3Meta——39.369.6v2.1 · 500 步 · 推理 max · batch tool模型方自报2026-10-16
5Darwinx w/ Claude Opus 4.8Salesforce AI Research——37.666.6v2026.08.08 · 450 步 · 推理 max (thinking disabled)模型方自报2026-10-16规划模型：anthropic/claude-opus-4-8
6Claude Opus 5———36.968.9v2.1 · 500 步 · 推理 high · batch tool官方榜单2026-10-16
7Claude Opus 5———33.373.1v2.1 · 500 步 · 推理 xhigh · batch tool官方榜单2026-10-16
8Claude Opus 5———33.064.8v2.1 · 500 步 · 推理 medium · batch tool官方榜单2026-10-16
9Claude Opus 5———31.468.3v2026.08.08 · 500 步 · 推理 max · batch tool官方榜单2026-10-16
10Claude Opus 5———30.267.7v2026.08.08 · 500 步 · 推理 xhigh · batch tool官方榜单2026-10-16
11Claude Opus 5———29.063.8v2026.08.08 · 500 步 · 推理 high · batch tool官方榜单2026-10-16
12GPT-5.6 Sol———27.362.7v2026.08.08 · 500 步 · 推理 max · batch tool官方榜单2026-10-16
13Claude Opus 5———25.360.5v2026.08.08 · 500 步 · 推理 medium · batch tool官方榜单2026-10-16
14Claude Opus 5———22.354.9v2026.08.08 · 500 步 · 推理 low · batch tool官方榜单2026-10-16
15Claude Opus 4.8———20.654.8v2026.06.24 · 500 步 · 推理 max · batched tool官方榜单2026-10-16
16Claude Opus 5———18.859.1v2.1 · 500 步 · 推理 low · batch tool官方榜单2026-10-16
17Claude Opus 4.8———18.549.3v2026.06.24 · 500 步 · 推理 max · standard官方榜单2026-10-16
18Claude Opus 4.7———18.248.9v2026.06.24 · 500 步 · 推理 max · batched tool官方榜单2026-10-16
19MuseSpark 1.2Meta——15.844.1v2.1 · 500 步 · 推理 xhigh · batch tool模型方自报2026-10-16
20Claude Opus 4.7———13.949.1v2026.06.24 · 500 步 · 推理 max · standard官方榜单2026-10-16
21Claude Opus 4.7———13.039.8v2026.06.24 · 300 步 · 推理 max · standard官方榜单2026-10-16
21GPT-5.5———13.049.5v2026.06.24 · 300 步 · 推理 xhigh · batch tool官方榜单2026-10-16
21GPT-5.5———13.049.5v2026.06.24 · 500 步 · 推理 xhigh · batch tool官方榜单2026-10-16
21GPT-5.5———13.046.7v2026.06.24 · 150 步 · 推理 xhigh · batch tool官方榜单2026-10-16
25Claude Sonnet 4.6———9.333.9v2026.06.24 · 500 步 · 推理 medium · standard官方榜单2026-10-16
26Claude Sonnet 4.6———8.329.4v2026.06.24 · 300 步 · 推理 medium · standard官方榜单2026-10-16
26Claude Sonnet 4.6———8.341.5v2026.06.24 · 500 步 · 推理 max · standard官方榜单2026-10-16
28Claude Sonnet 4.6———6.535.8v2026.06.24 · 300 步 · 推理 max · standard官方榜单2026-10-16
29Claude Opus 4.7———4.620.3v2026.06.24 · 150 步 · 推理 max · standard官方榜单2026-10-16
29Claude Sonnet 4.6———4.620.0v2026.06.24 · 150 步 · 推理 max · standard官方榜单2026-10-16
29Claude Sonnet 4.6———4.614.2v2026.06.24 · 150 步 · 推理 medium · standard官方榜单2026-10-16
29Kimi 2.6———4.614.4v2026.06.24 · 300 步 · 推理 enabled · standard官方榜单2026-10-16
29Kimi 2.6———4.622.1v2026.06.24 · 500 步 · 推理 enabled · standard官方榜单2026-10-16
29MiniMax M3———4.622.3v2026.06.24 · 500 步 · 推理 enabled · standard官方榜单2026-10-16
35MiniMax M3———3.716.6v2026.06.24 · 300 步 · 推理 enabled · standard官方榜单2026-10-16
36Qwen 3.7-Plus———2.821.5v2026.06.24 · 500 步 · 推理 thinking · standard官方榜单2026-10-16
37Kimi 2.6———1.97.1v2026.06.24 · 150 步 · 推理 enabled · standard官方榜单2026-10-16
37MiniMax M3———1.98.2v2026.06.24 · 150 步 · 推理 enabled · standard官方榜单2026-10-16
37Qwen 3.7-Plus———1.916.6v2026.06.24 · 300 步 · 推理 thinking · standard官方榜单2026-10-16

榜单说明

第 1 批接入
指标
  • 二值准确率：判定为成功的任务占比（%）（越高越好）
  • 部分得分：按完成程度计分的平均得分（%）（越高越好）
子项
其他指标部分得分
数据源
来源类型
官方榜单 34模型方自报 5

分数取自数据源原文；同一模型在不同评测设置或不同来源下分别列出，来源冲突时全部保留并标注来源类型。

更新记录

0 条

首次同步作为基线，之后新上榜、分数变化和移除的条目会记录在这里。