OSWorld

Screen resolution, OS image and action space all change results. The Verified and 2.0 revisions are not comparable to the original.

评测信息与证据

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。

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
Claude Opus 5	70.57	percent	max effort, first-attempt success rate, averaged over 5 runs, 1080p, max 500 action steps	2026-07-24 · document_publication	Claude Opus 5
Kimi K3	58.3	percent	reasoning=max	2026-06-13 · document_publication	Kimi K3
Kimi K3	84.8	percent	reasoning=max	2026-06-13 · document_publication	Kimi K3
Qwen3.5-397B-A17B	62.2	percent	thinking (temp 0.6, top_p 0.95, top_k 20)	2026-02-16 · document_publication	Qwen3.5-397B-A17B