OSWorld: موفقیت عاملهای هوش مصنوعی دسکتاپ در ۱۲٪ از وظایفی که انسانها در ۷۲٪ آنها موفق میشوند
OSWorld نشان میدهد عاملهای هوش مصنوعی دسکتاپ در 12.24% وظایف واقعی موفق میشوند در برابر 72.36% برای انسانها، با 75% شکستها ناشی از زمینگیری بینایی-حرکتی، نه استدلال.