研究问题

单应用或简化环境不足以反映实际电脑使用。OSWorld 结合真实操作系统、应用、文件操作和执行式评价,允许 Agent 完成跨应用任务。

基准与评价

原论文构建 369 个任务,每例有初始配置与定制评价脚本。框架支持多种操作系统;具体实验所用平台、动作/观测和安装环境仍需与论文设置区分,不能理解为每个任务都在全部系统上完成验证。

图的潜在作用

文件、应用对象、窗口状态、操作步骤和结果断言可组成任务关系图。它可能支持跨应用依赖跟踪;这只是本库的建模路径,不是该论文已经验证的图收益。

证据边界

本轮重点读 v2 的任务、基础设施和失败分析;没有复跑。论文的历史成功率不用于判断当前模型能力。若主要瓶颈是目标元素定位,则应单列 grounding 错误,避免把失败全部归到规划。

关联阅读

API 任务便于隔离状态机制;企业网页任务;失败分类。

原论文图示

原论文 S31 Figure 1:跨应用电脑任务的范围与示例。

Figure 1:跨应用电脑任务的范围与示例。 查看原始图源。

原论文 S31 Figure 2:初态配置、交互与执行式评价的基础设施。

Figure 2:初态配置、交互与执行式评价的基础设施。 查看原始图源。

原始来源与阅读范围

Tianbao Xie et al. / arXiv · 2024-04-11。本轮范围:正文重点阅读;采集日期:2026-11-16。来源陈述与本库提出的实验设想在正文中分别说明。