OSWorld-Pro：電腦操作智能體的流程式評估

OSWorld-Pro 論文提出電腦操作智能體的流程評估基準，包含超過 300 項任務和超過 2,800 個子目標。基準以超過 67,000 條人工標註為基礎，並透過與人類判斷一致的 LLM 評審評估子目標完成情況。Claude Opus 5 的成績為 75.7%，低於其在 OSWorld 的 83.4%；研究亦指出子目標無關行動及點擊失誤等流程問題。