清华团队推出 OSWorld-Science，评测智能体操作科研软件能力

清华大学研究团队牵头，联合多所海内外高校与研究机构推出 OSWorld-Science，一个面向真实科研场景的计算机使用智能体评测基准及配套基础设施。该基准包含 146 项专家设计的任务，覆盖 7 大科学领域、14 种科研软件配置，并测评了 12 个视觉语言模型，平均任务得分仅为 34.3%，其中 Claude Fable 5.1 以 73.7% 领先。