OSWorld2.0: Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks

OSWorld 2.0 构建了 108 个长程 computer-use workflows，覆盖日常和专业电脑任务。论文认为现有基准没有充分呈现真实电脑使用中的复杂性、任务跨度和多软件依赖，因此难以暴露 frontier agent 的限制。它的看点不只是任务数，而是把评测单位从单步 GUI 操作提高到持续工作流。