🖱️ Cât de bine folosește calculatorul singur
Modelul primește sarcini pe un calculator adevărat: deschide programe, dă click, completează, salvează.
Clasament OSWorld-Verified
Rezultatele vor apărea în curând.
Ce măsoară, de fapt
Sarcinile seamănă cu ce faci tu zilnic: „pune tabelul acesta într-o prezentare”, „schimbă setarea aceea”. Modelul vede ecranul și trebuie să miște singur mouse-ul și să tasteze până termină.
Scorul arată câte sarcini din 100 a dus la capăt corect. Contează pentru „agenți” — asistenți care lucrează în locul tău, nu doar îți răspund.
Sursa oficială a testului: https://os-world.github.io