待验证50% 置信基准精确时间
OSWorld 基准的人类基线约为 72.4%，Mage 的 66% 接近该水平，并超过体量近 6 倍的模型（63.9%）。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/31
首次发现
有效期至：2027/1/29
来源
OpenCode回应模型削弱争议；微软开源4B桌面Agent
bilibili阿梨Aria早鸟报2026/10/31
涉及实体
相关事实
待验证OSWorld在2024年发布时，最强基线模型成绩仅约12%，人类完成率约72%74% 相似待验证人类在OS World测试中的平均得分约为72-74%67% 相似待验证新模型在GDPVal达到1620分（上一代735），OSWorld从15.7%提升到72.4%，Terminal Bench从0.0%提升到39.2%，人类最后的考试无工具从10.2%到45.9%、带工具从18.7%到57.4%61% 相似待验证即使经过微调达到 65.7% 的准确率，距离人类 87.2% 的水平仍有不小差距。60% 相似待验证在 SpaceCast-Bench 上评估的 21 个模型中，最强模型仅达到 58.0% 的准确率，而人类表现为 87.2%。57% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1120152API
curl https://kongchang.com/api/v1/knowledge/claims/1120152MCP
get_claim(id=1120152)