实在Agent刷新全球纪录，究竟强在哪？
前两天刷到OSWorld最新榜单，实在Agent以90.2%登顶，说实话我盯着那个数字看了好一会儿。先交代一下背景。OSWorld不是什么野鸡榜单，是港大、CMU、滑铁卢那帮人搞的，2024年发在NeurIPS上。它的评测方式简单粗暴：把AI扔进真实Ubuntu虚拟机，给一个任务描述，让它自己打开软件、点鼠标、敲键盘，把活干完。361个任务，从Excel数据处理到GIMP修图再到跨应用协同，全程机器判分，没有人工打分的主观成分。两年前GPT-4o刚出来的时候，这个榜上最好的成绩是12%。你没看错，十二。2025年底Simular Agent S2做到72.6%，首次超过人类平均线。今年5月Pointer推到83.6%。然后实在Agent一脚踹开了90%的门。我最在意的不是"第一"这个名头，而是90%这个数字本身。它意味着Computer-Use Agent从"偶尔能干活"跨进了"基本靠谱"的区间。系统底层操作24道题全对，一个错没犯。这跟写诗不一样，写诗错一句无伤大雅，操作系统的文件权限搞错了是要出事的。我试着想象了一下：一个AI坐在电脑前，打开Chrome下载文件，切换到LibreOffice编辑，截图保存，再打开Thunderbird发邮件——全程没人管，90%的概率不出错。两年前这听起来像科幻，现在它真的发生了。
发布于 福建
1
评论
赞
未登录
友善发言
评论
加载中
