OSWorld-Verified
OSWorld 是一个用于测试 AI 代理在真实计算机环境中的基准。这些代理是能处理文字、图片等信息的 AI 系统。基准包括开放式任务，比如操作文件或使用软件。OSWorld Verified 是它的改进版，通过修复问题和提升运行方式，提供更准确的测试结果。它支持不同操作系统，如 Ubuntu、Windows 和 macOS，并允许 AI 通过互动学习来完成任务。
更新于 2026-04-03
615 次浏览
问题数量
369
发布机构
个人
评测类别
AI Agent - 工具使用
评测指标
Accuracy
支持语言
英文
难度等级
中等难度
简介
一个用于验证大模型Agent在操作计算机方面能力的评测基准，OSWorld的升级版本
相关资源
OSWorld-Verified Model Score Leaderboard
Source: DataLearnerAI
Data sourced primarily from official releases (GitHub, Hugging Face, papers), then benchmark leaderboards, then third-party evaluators. Learn about our data methodology
模式说明:
normal
thinking
low
medium
high
deeper thinking
parallel_thinking
图表加载中...
Latest OSWorld-Verified model rankings and full benchmark leaderboard
Browse the latest scores, model modes, release dates, and parameter sizes for OSWorld-Verified.
OSWorld-Verified详细排名数据表格
| 排名 | 模型 | |||
|---|---|---|---|---|
| 1 | GPT-5.4 Deep ThinkingTools | 75 | 2026-03-05 | 未知 |
| 2 | Claude Opus 4.6 Deep ThinkingTools | 72.7 | 2026-02-05 | 未知 |
| 3 | Claude Sonnet 4.6 Thinking Level · MediumTools | 72.5 | 2026-02-17 | 未知 |
| 4 | GPT-5.4 mini Deep ThinkingTools | 72.1 | 2026-03-17 | 未知 |
| 5 | Qwen3.5-397B-A17B Thinking Level · MediumTools | 62.2 | 2026-02-16 | 397 |
| 6 | Claude Sonnet 4.5 Thinking Level · MediumTools | 61.4 | 2025-09-30 | 未知 |
| 7 | Qwen3.5-27B Thinking Level · MediumTools | 56.2 | 2026-02-25 | 270 |
| 8 | Claude Sonnet 4 Thinking Level · MediumTools | 42.2 | 2025-05-23 | 未知 |
| 9 | GPT-5.4 nano Deep ThinkingTools | 39 | 2026-03-17 | 未知 |
| 10 | Claude Sonnet 3.7 Thinking Level · MediumTools | 28 | 2025-02-25 | 未知 |