标签
DuMateBench 引入了一个源于匿名化用户会话的基准测试，用于评估复杂真实世界工作流中的自主代理，测试在环境复杂性如不足、不稳定性和噪声下的性能。
OSWorld 2.0 是一个新的基准测试，用于评估计算机使用代理在 108 个长周期真实工作流程上的表现。当前像 Claude Opus 4.8 和 GPT-5.5 这样的代理完成率较低，凸显了它们在处理复杂多步骤任务时的显著局限性。