清华团队推出科研智能体基准 OSWorld-Science

清华大学研究团队牵头推出面向真实科研场景的计算机使用智能体评测基准及配套基础设施 OSWorld-Science，并用它评测 12 个视觉语言模型；这些模型在 146 项任务上的平均得分为 34.3%，反映的是任务完成程度，不等同于成功率。 该基准覆盖 7 大科学领域和 14 种科研软件配置，任务由专家设计，最终依据任务结束后的文件产物与应用状态评分。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。