OSWorld 2.0 正式发布，对 AI 代理进行 1500 项桌面任务测试
Epoch AI 发布了 OSWorld 2.0，将桌面任务从 v1 的 369 项扩展至 1500 项，用于测试 AI 代理在对抗性任务及跨应用工作流中的表现。此次更新瞄准了计算机使用型 AI 代理的可靠性天花板，新增了对抗性测试和跨应用工作流。
关键数据 OSWorld 2.0：1500 项任务，是 v1 的 369 项的 4 倍；覆盖 macOS、Windows 和 Ubuntu 平台；30% 的任务需要跨应用工作流；对抗性测试会注入拼写错误和 UI 变更；Gemini 3.5 Flash 在 2026 年 6 月的 v1 测试中得分为 78.4。
据消息来源，Epoch AI 发布了 OSWorld 2.0，将该基准测试扩展至 1500 项真实桌面任务，覆盖 macOS、Windows 和 Ubuntu —— 相比 v1 的 369 项大幅增加。新版本针对计算机使用型代理的可靠性天花板，新增了对抗性鲁棒性测试（注入拼写错误和 UI 变更），并且有 30% 以上的任务需要跨多个应用进行多步推理。
为什么 OSWorld 很重要
OSWorld 已成为计算机使用型代理的事实标准基准——这类模型通过解读截图并执行鼠标/键盘操作来控制桌面界面。Google 的 Gemini 3.5 Flash 在 2026 年 6 月的 OSWorld v1 测试中得分为 78.4，与 GPT-5.5 持平。该基准的难度源于其扎根于真实操作系统：代理必须处理文件对话框、浏览器导航以及随操作系统更新而变化的应用程序菜单。
v2 有何变化
OSWorld 2.0 新增了对抗性示例——故意拼写错误的文件名、更改的按钮标签以及窗口缩放——以测试代理是依赖脆弱的视觉模式还是语义理解。新任务涵盖 12 个应用类别，包括电子表格操作、图像编辑和终端命令。Epoch AI 没有透露是否有任何模型在 v2 上完成了完整评估。
可靠性问题
根据公开排行榜，当前计算机使用型代理在 OSWorld v1 任务上的成功率为 20-30% 左右。v2 的扩展表明，该领域需要从根本上改进代理的规划和错误恢复能力，而非仅仅提升视觉模型性能。该基准的多应用工作流要求代理执行例如：从 Gmail 下载 CSV 文件，在 LibreOffice Calc 中编辑，然后将结果通过邮件发送——任何一个步骤出错都会导致整个流程失败。
值得关注的点
关注 OSWorld 2.0 的首个公开排行榜分数，预计将在 60 天内公布。如果顶级模型从 v1 的约 25% 成功率降至 15% 以下，则表明计算机使用型代理距离生产级可靠性仍需多年。