Claude Opus 4.8 · max thinking
20.6% / 54.8%整题完成 / 部分得分
- 范围
- OSWorld 2.0 · 108个长流程任务
- 配置
- 500步；批量工具调用
- 运行日期
- 原文未披露，不能以核查日代替
- 报告日期
- 2026-06-26
- 原文位置
- 官方项目页 Introduction
两种指标不同；部分分不能当工作完成率，不能与V1直接比较。
OSWorld研究团队 / 任务基准
OSWorld 2.0
长流程、跨应用、状态与核对
证据条件
- 版本
- 2.0; released 2026-06-26
- 资料开放性
- 公开任务与结果
- 来源家族
- OSWorld研究团队
- 下次复核
- 2026-10-27
- 本站复现
- 未运行；引用外部研究
阅读限制
这份证据还不能证明
108任务及500步协议，不能与V1直接比较
同一实验的论文、博客和转载按一组来源计算。本站任务适配属于分析判断，不代表上游测试了本站任务。
外部结果快照
保留原指标，不作跨基准总排名关联的工作任务
以下为部分覆盖或方法关联，尚未完成逐题对应。
连接业务系统，交付可恢复的流程
标准：受限业务系统集成与交接集成 · 对账 · 故障/撤销 · 运维交接
人的责任客户系统所有者批准上线；FDE负责交付事实
完整示例4条验收门槛 · 7组相关来源
让内容适配渠道和商业属性
标准：渠道与商业属性适配不同渠道版本及保留属性核对
人的责任判断语义、品牌与渠道适用性
基础草案2条验收门槛 · 2组相关来源