跳到主要内容Skip to main content

Models · Evals

OSWorld

桌面操作系统任务完成(多应用、文件、设置)

测什么桌面操作系统任务完成(多应用、文件、设置)
任务与数据数百个任务;Ubuntu/Windows 虚拟机
指标成功率 / 部分完成分
污染风险任务公开;应用版本变化会影响;模型可能见过。
复现固定 VM 镜像、应用版本、屏幕分辨率与评分。
成本高;需要 VM 与视觉模型
快照日2026-11-19(本站快照;上游版本以仓库为准)
核验日2026-11-19

怎么读

适合看 GUI agent 的规划与操作;不适合纯文本任务。

第一次使用

先跑 5 个单应用任务,确认截图与坐标。

常见坑

分辨率与主题变化导致坐标失效;评分器对部分完成不敏感。

不适合

不适合评估无 GUI 的 API agent。

对比与替代

与 WebArena 相比覆盖桌面应用,环境更重。

怎么验证

核对 VM 镜像、任务 ID 与评分器。

下一步

  • 打开榜单或论文页,确认题集版本、评分脚本与提交日期。
  • 把它和你关心的业务任务做对照;找不到对应任务,就自己建 50–100 条内部评测。
  • 读 怎么读榜单,把“分数”写成“条件 + 参考价值”。
榜单 / 来源:https://os-world.github.io/ · 快照 2026-11-19(本站快照;上游版本以仓库为准)