Epoch AI 评审 OSWorld：任务简单且不稳定，GUI 能力难测准

Epoch AI 发布对计算机使用基准 OSWorld 的评审，指出其难以准确衡量模型的 GUI 操作能力。361 个任务整体偏简单，且约 15% 只需终端、另有 30% 可绕过 GUI；约 10% 的指令仍在持续修改，另有约 10% 任务依赖实时互联网数据，跨时间对比和外部效度因此受到影响。