OSWorld-Science 基准发布：146 个任务考问 VLM 科学软件操作

OSWorld-Science 基准发布，含 146 个面向计算机使用智能体（VLM）的科学软件任务，覆盖分子绘制与逆合成、病理图像分析、统计计算、物理仿真等工作流，并配有任务级执行式评估器，支持部分得分。团队用专用 harness 评测了 12 个 VLM，结论是即使配合强 harness，当前最先进 VLM 在科学关键任务上仍表现不佳。论文还分析了多语言、推理力度与上下文长度的影响。