Dingyuan Dai

该工作提出 OSWorld-Science 基准与评测环境，把专家定义的科学任务、基于产物的执行式评分器和统一智能体外壳结合起来，在 7 个科学领域、17 款软件、3 种语言上评测 12 个视觉语言模型，结果显示最强模型 Claude Fable 5.1 平均得分 73.7%、最难任务集约 40%，且失败多发生在交互层与结果校验环节而非科学推理本身。

该工作提出 OSWorld-Science 基准与评测环境，把专家定义的科学任务、基于产物的执行式评分器和统一智能体外壳结合起来，在 7 个科学领域、17 款软件、3 种语言上评测 12 个视觉语言模型，结果显示最强模型 Claude Fable 5.1 平均得分 73.7%、最难任务集约 40%，且失败多发生在交互层与结果校验环节而非科学推理本身。