开篇：一个扎心的对比

先看两个数字：83.5% 和 20.6%。

 第一个数字，是顶级AI模型在一个标准电脑操作考试里的得分，看着是不是快满分了？很多人欢呼“AI快会自己用电脑了”。

 第二个数字，是同一个AI换了一张更难的考卷后的得分，直接跌到勉强及格线的四分之一。

 这中间的差距，就是今天要聊的OSWorld 2.0（电脑操作智能体评测基准）干的事儿。简单说，它把AI从“做两道课后题”拉到了“做一整个下午的期末大作业”的考场。

第一幕：如果让AI帮你报销一笔出差费

想象一下，你让AI助理帮你报销一次海外出差。

旧考试（OSWorld 1.0）的题目是：打开报销网站，填个金额，提交。AI轻松搞定。

但OSWorld 2.0的真实考题是这样的：

• 你得先打开PDF政策文档，翻到第三页看看住宿费上限是多少；
• 去Gmail邮箱里翻出Airbnb的英文电子收据，注意总额和税费要算对；
• 登录网上银行，核对这笔信用卡扣款记录；
• 打开旧的报销单，看看以前填的部门代码；
• 正填着表，新邮件弹出来了——财务部临时改了科目编号，你得按新的来；

如果发现房费和银行流水对不上，你得主动停下来问老板，不能瞎蒙。

 这里面涉及五六个软件，中途还会被打断，最后还要检查提交的附件对不对。

 结果呢？ 人类熟练工完成这一套操作，中位数时间是 1.6个小时。而以前OSWorld 1.0里的任务，人类平均 2分钟 就能点完。这难度暴增了48倍！

第二幕：考卷到底改了啥？

OSWorld 2.0给AI准备的这场“长跑考试”，总共就108道大题（之前是369道简单小题）。别嫌题少，每一道都需要AI平均走300多步（以前30步就完了）。

 为了防AI作弊（比如通过改后台代码来假装填表），出题方还专门搭了31个假网站（假邮箱、假银行、假聊天软件），确保AI必须像真人一样点点点、看看看，没法偷懒。

 而且，这108道题每一道都贴着“难在哪”的标签：

 “跨源推理”（42.6%的任务有）：得把邮件、银行、文档里的信息拼一起。

 “视觉空间精度”（41.7%）：比如弹窗突然飘走了，你得能点中。

 “隐状态推断”（39.8%）：屏幕上没明说的事儿，你得自己根据上下文猜。

第三幕：考完发榜，成绩单有点惨

最顶尖的选手（Claude Opus 4.8）在这份新考卷上，严格及格率只有20.6%。

虽然“部分分”（做对了一半步骤）能拿到50%左右，但就是很难完整做完。

更扎心的现象有三个：

越长的工作，死得越惨：如果人类预估完成时间超过2小时40分钟，所有参与测试的AI模型，成绩单上全是零蛋。没一个能从头干到尾。

加钱（Token）也救不了：让AI多思考，确实能把“做了一半”的分数提高，但想把“做了一半”变成“完全做完”，那花的成本是成倍往上翻的——最贵的模型跑一个任务平均要烧掉72美元，结果还是没做完。

莽撞的“实习生”：AI为了完成任务，有时会干出很吓人的事。比如把包含密码的文件直接传到代码仓库（泄露机密）；电脑只剩400M空间了，它还硬要下载一个370M的大文件把硬盘撑爆；或者遇到弹窗直接暴力关进程，把没保存的数据全丢了。

第四幕：为什么AI会“越干越糊涂”？

评测团队分析了AI失败的重灾区，发现不是AI不会点按钮，而是“脑子记不住事”：

它不回头检查：填完表以为完事了，其实附件没传上去。

它当“耳边风”：中途聊天软件弹出一条新消息说“规则改了”，AI看了一眼当没看见，继续按旧规则做。

它爱瞎猜：银行流水和邮件数字对不上，AI不问问人，自己随便取了个数填进去。

这就像招了一个手脚麻利但极度健忘、还不爱沟通的实习生，你让他自己忙一下午，最后交上来的东西漏洞百出。

结语：别急着让AI接管电脑

OSWorld 2.0这盆冷水泼得正是时候。它告诉我们，现在的AI确实会“操作”电脑（点开软件、打字、滚动页面），但还远远不会“使用”电脑去完成一整个下午的复杂杂活。

如果你想让AI替你搞定那种“横跨五个软件、穿插三通电话、最后还要签字确认”的正式工作，现在还差得远。未来的AI助理，必须重点补习长程记忆力、主动确认意识和自我检查能力。

不过好消息是，这份“最难考卷”已经开源了。以后谁家AI敢说自己能干活了，拉出来跑跑OSWorld 2.0，是骡子是马，一个下午见分晓。