GLUE/SuperGLUE/SQuAD/XSum/XTREME/[[MMLU]]  [[MTEB]] BUA(浏览器使用智能体): 在Mind2Web榜单上，击败OpenAI、Anthropic等巨头，获得小模型第一 CUUA(计算机使用智能体): 在OS World榜单上，7B小模型超越Kimi等大模型，获得专项榜第一 | | Benchmark | 测试领域 | 测试内容 | 当前领先者 | 官方链接 | | --------- | ---------------------- | ---- | ------------------------------------------------------------- | --------------------------------- | ------------------------------------------------------- | | 桌面操作（全系统） | **OSWorld** | | 369个跨应用任务，操作真实OS环境（Ubuntu/Windows/macOS）及本地软件（VS Code, GIMP等） | claude-sonnet-4-5 | [os-world.github.io](https://os-world.github.io/) | | 浏览器操作 | Mind2Web | | 更学术化，关注"AI 能不能理解网页结构并做出正确动作" | | | | | WebVoyager | | 真实网站端到端任务（Amazon, Google Flights, arXiv等） | Agent框架 > 裸模型 | [leaderboard.steel.dev](https://leaderboard.steel.dev/) | | | **SWE-bench Verified** | 代码实战 | 写代码+改文件+跑终端，经人工验证 | Claude 4.5 Opus medium (20251101) | [swebench.com](https://www.swebench.com/) | | | | | | | | --- **快速选择指南：** |你的需求|看这个榜单| |---|---| |评估模型操作复杂界面的底层能力|OSWorld| |找最好用的浏览器自动化框架/工具|WebVoyager| |评估 AI 写代码、改 Bug 的能力|SWE-bench|