工作建议变化新增工作流
OSWorld 2.0补充长流程与跨应用证据
对工作的影响
系统交接增加跨应用状态核对、部分失败与恢复检查；这是方法建议，不是现场成功率提升。
原依据 / 条件
主要参考单应用或较短操作任务
新依据 / 条件
新增108个长流程任务与整题/部分评分
企业交付页加入状态恢复、跨来源核对和最终验收要求，仍不宣称现场采用已验证。
查看原始依据与限制 →变化记录
记录改变，也记录为什么改变
工作建议变化和资料维护分开记录。没有可比运行时，不把页面更新称为AI能力进步。
工作建议变化新增方法
失败诊断也有可引用的评测
对工作的影响
Agent失败后保留轨迹与根因判断，分别验收诊断是否正确、修复是否有效。
原依据 / 条件
仅从是否完成观察Agent表现
新依据 / 条件
引入失败定位与根因分类证据
DEV-04增加失败轨迹审查；诊断增益与修复完成度分开展示。
查看原始依据与限制 →