Словарь
OSWorld
Бенчмарк и среда для оценки мультимодальных ИИ-агентов на настоящем компьютере. В виртуальных машинах с Ubuntu, Windows или macOS агент выполняет задачи в браузере, офисных и других приложениях и файловой системе, управляя экраном, мышью и клавиатурой. Успех проверяют скрипты по итоговому состоянию системы, а не по тексту ответа.