OSWorld 2.0：智能体在真实操作系统环境中的长流程任务评测

OSWorld 2.0 在真实操作系统环境中评测 AI 智能体，按每任务约 27 个加权检查点对长流程工作流打分，图表采用二元准确率（全部检查点通过才算完成）。在排行榜默认 500 步预算下，即便是前沿模型得分也很低。数据导出同时保留部分得分、推理与工具设置、步数预算及预估成本。