2024 年 4 月公開のベンチマークで、実 OS 環境で 369 タスクの到達度を測ります。スクリーンショットを入力してキーやマウス操作で答える形が特徴です。
ベンチマーク
262
OSWorld
オーエスワールド
体験区分：調査ベース
推奨読者レベル：Level 4-5
何をしてくれるか
どこで出会うか
Computer Use の性能比較記事で登場します。公開時は GPT-4V 約 12% に対し人間 約 72% でしたが、Computer Use や Operator の登場でスコアが伸びています。
比較図
2026.04·needs_review
「OSWorld で Computer Use が 30% を超え、Operator と接戦している印象です。」
OSWorldの見方
263
この用語の見どころ
1
役割
OS 全体の操作を 369 タスクで定量評価します。
2
うれしさ
「画面を見て操作する AI」の進歩を数値で追えます。
3
注意点
VLM 版とテキストのみ版でスコアが異なり、比較条件を揃える必要があります。
4
どこで役立つか
Computer Use 系ツール選定の参考指標として役立ちます。
5
はじめに
369 タスク・実 OS 環境・スクリーンショット入力の 3 点が要点です。
6
深掘り先
WebArena、AgentBench、VLM
非エンジニアのつまずき
- （著者記入欄・空）
私のコメント
- 第一印象:（著者記入欄・空）
- 良い点:（著者記入欄・空）
- ダメな点:（著者記入欄・空）
- 誰向けか:（著者記入欄・空）
開発フローでの位置
モデル選定
環境構築
タスク実行
スコア集計
関連用語
E-34·benchmark
バイブコーディング図鑑