论文页面 - MyPCBench：面向个人智能计算机使用代理的基准测试

来源：https://huggingface.co/papers/2606.16748

摘要

MyPCBench 在模拟的 Linux 桌面环境中，使用真实的 Web 应用评估计算机使用代理作为个人助手的效果。结果显示，Claude Opus 4.6 的任务完成率最高，达到 55.4%，但在多应用任务和长轨迹场景下表现不佳。

当前的计算机使用代理基准测试（https://huggingface.co/papers?q=computer-use%20agents）在非个性化环境中评估模型。这造成了评估与部署之间的鸿沟——个人助手（https://huggingface.co/papers?q=personal%20assistants）需要跨用户整个数字生活（https://huggingface.co/papers?q=digital%20life）工作，包括上下文、历史数据和已登录账户。这一差距在 Web 任务（https://huggingface.co/papers?q=web%20tasks）上最为明显，因为实时 Web 评估（https://huggingface.co/papers?q=live%20web%20evaluations）无法执行需要登录或个人信息的网站——而这正是真实个人助手必须操作的网站。我们推出了 MyPCBench，它在装有 17 个模拟真实 Web 应用（https://huggingface.co/papers?q=web%20applications）和完整桌面环境的 Linux 系统中测试计算机使用代理（https://huggingface.co/papers?q=computer-use%20agents）作为个人助手（https://huggingface.co/papers?q=personal%20assistants）的能力，所有环境均以《办公室》中的 Michael Scott 为统一原型。我们在该环境中定义了 184 个任务，每个任务均源自 OpenClaw 社区收集的真实请求，并通过统一的 computer+bash 工具接口对六款闭源和开源模型进行了基准测试。我们发现，表现最好的模型 Claude Opus 4.6 完全解决了 55.4% 的任务，是唯一超过 50% 的模型。模型失败主要集中在涉及多个应用的长轨迹任务上，这类任务对助手的个性化能力要求最高。我们已在 https://mypcbench.com 上开源环境、任务集和代理工具。

查看 arXiv 页面（https://arxiv.org/abs/2606.16748）查看 PDF（https://arxiv.org/pdf/2606.16748）项目页面（https://mypcbench.com/）GitHub3（https://github.com/ljang0/MyPCBench）添加至收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.16748）

在您的代理中获取本文：

hf papers read 2606.16748

没有最新 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型0

无模型关联此论文

请在模型 README.md 中引用 arxiv.org/abs/2606.16748 以在此页面建立链接。

引用本文的数据集0

无数据集关联此论文

请在数据集 README.md 中引用 arxiv.org/abs/2606.16748 以在此页面建立链接。

引用本文的 Space0

无 Space 关联此论文

请在 Space README.md 中引用 arxiv.org/abs/2606.16748 以在此页面建立链接。

包含本文的收藏集1