OSWorld-Science 科学软件智能体基准发布

2026 年 10 月 1 日，AGI Hunt 报道 OSWorld-Science 基准发布。该基准包含 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，并为每个任务配备执行式评估器，支持部分得分。团队使用专用 harness 对 12 个 VLM 进行评测，结论是：即使配合强 harness，当前最先进的 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对表现的影响。截至该报道，事件仅涉及基准的发布与首轮评测结果，尚无后续更新或与其他报道的表述冲突。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。