ニュース
OSWorld-Pro: Process-based Evaluation for Computer Use Agents
arXiv cs.AI · 公開日 · 読了3分
30秒で要点
- 何が起きたか
- OSWorld-Pro introduces over 300 tasks with 2800 subgoals and 67000 human annotations to evaluate computer-use agents step-by-step rather than only final outcomes.
- なぜ重要か
- Engineers building or testing AI agents that interact with graphical interfaces need granular failure analysis beyond pass-fail metrics to guide improvements.
- 注意点
- Top models like Claude Opus 5 score 75.7% on OSWorld-Pro versus 83.4% on OSWorld, suggesting the benchmark is substantially harder and may not reflect real-world difficulty.
- agent
- eval
- phi
この話題の背景にあるパターン
各ページで、技術の仕組み、コストに見合う場面、そして破綻する条件を解説しています。
The Agent Architect
1つのパターン、1つのトレードオフ、1つの本番障害事例。エージェントシステムを構築する人のための短い週刊ブリーフィング。
週1回のメール、ワンクリックで購読解除できます。アドレスはブリーフィングの送信のみに使用します。