OSWorld-Pro：面向计算机使用智能体的过程式评测基准

OSWorld-Pro 是一个面向计算机使用智能体（CUA）的过程式评测基准，包含 300 多个任务、2800 多个子目标，基于 67000 多条人工标注，用人类对齐的 LLM-Judge 评估子目标完成情况。该基准对 SOTA 模型仍有挑战，Claude Opus 5 仅得 75.7%，低于其在 OSWorld 上的 83.4%。研究还识别出子目标无关操作、点击类错误等过程性失败模式。