OSWorld 2.0
PulseAugur coverage of OSWorld 2.0 — every cluster mentioning OSWorld 2.0 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AI基准分数缺乏清晰度；提出新清单
一项新的AI基准分数评估清单已被提出，突显了衡量AI模型计算机使用能力时存在的不一致性和潜在操纵。作者指出，像Claude Opus 5.5和GPT-6 Astra等领先模型在OSWorld 2.0等基准测试上报告的分数难以调和，有些分数在未解释的情况下发生变化。该清单旨在明确正在使用哪个特定基准测试，因为OSWorld 2.0、Agents' Last Exam和AutomationBench等不同基准测试会测试不同的技能，例如GU…
-
GPT-6.1 Sol 对比 Claude Sonnet 5.5：成本与性能对决
OpenAI 的 GPT-6.1 Sol 和 Anthropic 的 Claude Sonnet 5.5 已发布，标价相同，但在不同任务上的性能和成本构成却大相径庭。虽然两款模型都被定位为中端产品，但在默认 API 设置下，GPT-6.1 Sol 通常更具成本效益，每项任务的成本大约是 Sonnet 5.5 的一半。然而，Sonnet 5.5 在基准测试中有时能获得更高的分数，并且可能提供更详细的输出，尽管价格要高得多。
-
新框架和基准推动AI代理训练和评估
研究人员正在开发新的框架和方法来改进AI代理的训练和评估。Microsoft Research Asia发布了Agent Lightning v1.0，这是一个使用强化学习和现有工具链进行代理训练的轻量级框架，在Qwen3.5-9B的编码任务上取得了显著的进步。Apple Inc.的研究人员分别提出了RISED和SCLATE系统，用于代理的多环境选择和持续学习评估。Hugging Face和ServiceNow合作开发了AutoSyn…
-
AI 代理 Astra 通过 48 级 CAPTCHA，挑战机器人检测
演示显示，一个名为 Astra 的 AI 代理成功完成了 CAPTCHA 测试的所有 48 个级别，其中包括图像识别、逻辑谜题和动态交互。这一成就凸显了 AI 理解视觉界面、维持状态和执行顺序动作的能力的进步，超越了 CAPTCHA 系统中静态推理的先前局限性。虽然 Astra 在此特定测试中的成功值得注意，但这并不等同于攻破现代机器人检测系统，因为这些系统已经发展到包含浏览器级别信号、服务器端风险评估和加密身份验证方法。
-
Qwen-CUA 代理通过截图实现原生计算机使用
研究人员推出 Qwen-CUA，这是一种新的人工智能代理，专为原生计算机交互而设计，能够仅使用截图和标准输入设备来操作软件。该代理利用了一个拥有 3970 亿参数的 Qwen 混合专家模型，并通过跟踪多达 20 张活动截图来保持上下文。Qwen-CUA 在大规模云集群和海量任务数据上进行开发，在基准测试中表现强劲，超越了其前身 Qwen3.7，并可与专有系统相媲美。一个更大的版本 Qwen-CUA-Max 进一步提高了这些分数，并显著…
-
Anthropic 发布 Claude Opus 5，以一半价格匹配 Fable 5 性能 · 已追踪 4 个来源
Anthropic 发布了 Claude Opus 5，这是一款新的 AI 模型，定位为比其顶级 Fable 5 模型更实惠的替代品。在许多编码基准测试中，Opus 5 的性能与 Fable 5 相当，尤其是在代码库级别任务和通用计算机工作中，但价格却只有一半。该模型还具有 100 万个 token 的上下文窗口，并显著减少了安全分类器的干预，使其更适合自主编码代理。与 Opus 5 一同发布的还有 Claude Code v2.1.…
-
LabPlot 和 OSWorld 2.0 被强调为比挣扎中的 AI 代理更重要的工具
像 LabPlot 这样的专业工具对于提供精确的、特定领域的成果至关重要，尤其与目前在复杂、长周期任务上表现不佳的 AI 代理相比。即使是像 Claude Opus 4.8 这样先进的模型也存在局限性，在特定指标上仅达到中等准确率，并且在状态维护、细节跟踪和动态适应方面遇到困难。这凸显了在科学研究和数据分析中对可靠的、开源解决方案的持续需求。
-
Anthropic 的 Claude Opus 5 占据顶级 AI 基准榜首，价格下调 · 跟踪 1 个来源
Anthropic 发布了 Claude Opus 5，一款新的旗舰级 AI 模型，在人工智能分析智能指数（Artificial Analysis Intelligence Index）和 Agentic Index 等独立基准测试中取得了顶级排名。该模型在包括 Agentic 终端编码和新颖推理在内的各种任务上，显著优于其前身 Claude Opus 4.8 以及 Claude Fable 5 和 GPT-5.6 Sol 等竞争对手…
-
Anthropic 的 Claude Opus 5 性能大幅提升且成本降低 · 跟踪 8 个来源
Anthropic 发布了 Claude Opus 5，这是一款新的前沿模型，与前代 Opus 4.8 相比，在成本降低的同时提供了显著的性能提升。虽然 Anthropic 的官方基准测试突出了大幅提升（通常以比率形式呈现），但详细分析显示，在 SWE-bench Pro 编码基准测试上提高了 10 个点，并在内部生命科学任务上有了显著改进。该模型的定价旨在颠覆市场，以一半的成本提供接近 Fable 5 的能力，引发了关于迁移策略以及…
-
Anthropic 的 Claude Opus 5 以一半的价格匹配 Fable 5 的性能 · 跟踪了 10 个来源
Anthropic 发布了 Claude Opus 5，一款新模型，其性能可与 Fable 5 相媲美，而价格却只有 Fable 5 的一半。早期评估和用户轶事表明，Opus 5 在编码、复杂推理和智能体任务方面表现出色，在 Frontier-Bench 和 CursorBench 等基准测试中，其能力常常能与 Fable 5 相匹配甚至超越。该模型还拥有 100 万个 token 的上下文窗口和更高的效率，使其成为开发人员和企业应用的有力选择。
-
Anthropic 发布 Claude Opus 5，在基准测试中挑战 Fable 5
Anthropic 推出了 Claude Opus 5，这是一款新的前沿模型，以更低的成本提供了接近 Claude Fable 5 的性能。早期评估显示，Opus 5 在编码和知识工作中表现出色，在 Frontier-Bench 和 ARC-AGI 等任务上设定了新的最先进基准。虽然它在 3D 模型重建和复杂编码任务等领域展现了强大的能力，但其在网络安全利用方面的表现仍落后于 Mythos 5 等模型。用户报告的体验褒贬不一，一些人称…