AI 评测与排行榜，分别告诉你什么
分清评测基准、一次评测运行与排行榜，用它们回答各自适合的问题。
LLM Stats
AndroidWorld_SR
AndroidWorld Success Rate (SR) benchmark - A dynamic benchmarking environment for autonomous agents operating on Android devices. Evaluates agents on 116 programmatic tasks across 20 real-world Android apps using multimodal inputs (screen screenshots, accessibility trees, and natural language instructions). Measures success rate of agents completing tasks like sending messages, creating calendar events, and navigating mobile interfaces. Published at ICLR 2025. Best current performance: 30.6% success rate (M3A agent) vs 80.0% human performance.
评测信息与证据
- 来源
- LLM Stats
- 发布者
- 未收录
- 评测发布日期
- 未收录
- 采集日期
- 2026-08-17
- 模态
- multimodal
本站保留来源报告的结果，不代表独立复测。请先核对任务版本、评测协议、分数单位和报告日期；不同运行条件不能直接合并为统一排名。
原始资料
报告成绩 8
按来源中的观察顺序展示，顺序不代表排名。日期保留原始精度。
| 模型 | 数值 | 单位 | 协议 | 报告日期与口径 | 来源 |
|---|---|---|---|---|---|
| Qwen3.5-35B-A3B | 0.711 | 未收录 | 未收录 | 2026-02-24 · model_announcement | LLM Stats |
| Qwen3.5-122B-A10B | 0.664 | 未收录 | 未收录 | 2026-02-24 · model_announcement | LLM Stats |
| Qwen3.5-27B | 0.642 | 未收录 | 未收录 | 2026-02-24 · model_announcement | LLM Stats |
| Qwen3 VL 32B Thinking | 0.637 | 未收录 | 未收录 | 2025-09-22 · model_announcement | LLM Stats |
| Qwen3 VL 235B A22B Instruct | 0.637 | 未收录 | 未收录 | 2025-09-22 · model_announcement | LLM Stats |
| Qwen2.5 VL 72B Instruct | 0.35 | 未收录 | 未收录 | 2025-01-26 · model_announcement | LLM Stats |
| Qwen2.5 VL 7B Instruct | 0.255 | 未收录 | 未收录 | 2025-01-26 · model_announcement | LLM Stats |
| Qwen2.5 VL 32B Instruct | 0.22 | 未收录 | 未收录 | 2025-02-28 · model_announcement | LLM Stats |