基准
OS World 2.0
评估AI模型在操作系统环境中执行计算机操作任务能力的基准测试。
时间轴 (近 90 天)
10月22日
泄露数据显示 Gemini 4 Pro 在 DeepSwe V1.1 得分 88.7%，Terminal Bench 2.1 得分 95.3%，OS World 2.0 得分 86.8%，GDeepVal AAVR 得分 20%，上下文扩展至 200 万 Token，定价为每百万 Token 输入 2.25 美元、输出 11.25 美元。
待验证50%
9月18日
GPT-6（Astral）在 OS World 2.0 基准测试中的正确率达到 72.6%，平均每个任务约 40 分钟
待验证60%
9月18日
上一代模型在 OS World 2.0 任务上平均耗时接近 75 分钟，GPT-6 时间几乎缩短一半
待验证50%
9月4日
Claude Fable 5.1 在 CursiveBench 3.2.0 得分达到73.4，并在 OS World 2.0 等基准全面超越前代
待验证50%
全部知识事实 (4)
待验证
GPT-6（Astral）在 OS World 2.0 基准测试中的正确率达到 72.6%，平均每个任务约 40 分钟
60%待验证泄露数据显示 Gemini 4 Pro 在 DeepSwe V1.1 得分 88.7%，Terminal Bench 2.1 得分 95.3%，OS World 2.0 得分 86.8%，GDeepVal AAVR 得分 20%，上下文扩展至 200 万 Token，定价为每百万 Token 输入 2.25 美元、输出 11.25 美元。
50%待验证上一代模型在 OS World 2.0 任务上平均耗时接近 75 分钟，GPT-6 时间几乎缩短一半
50%待验证Claude Fable 5.1 在 CursiveBench 3.2.0 得分达到73.4，并在 OS World 2.0 等基准全面超越前代
50%