Новости
OSWorld-Pro: Process-based Evaluation for Computer Use Agents
arXiv cs.AI · Опубликовано · 3 мин чтения
За 30 секунд
- Что произошло
- 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.
- Почему это важно
- Engineers building or testing AI agents that interact with graphical interfaces need granular failure analysis beyond pass-fail metrics to guide improvements.
- На что обратить внимание
- 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
Паттерны, стоящие за этой новостью
Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.
The Agent Architect
Один паттерн, один компромисс, одна история сбоя в продакшене. Короткий еженедельный брифинг для тех, кто строит агентные системы.
Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.