OSWorldの記事一覧

OSWorldは、実コンピュータ環境での画面理解と操作を扱う評価です。Codexのコード修正とは分け、ブラウザ確認や管理画面操作の限界を読む材料にします。

• AIエージェントのベンチマーク完全ガイド：SWE-benchだけでCodexの実力は分からない理由

  SWE-bench、Dialogue SWE-Bench、SWE-Skills-Bench、MarketBench、TerminalWorld、OSWorld、AgentHarmを分けて読み、Codexに任せる範囲と人間確認の残し方を整理します。

• OSWorld・WebArena・OdysseyBenchで読むコンピュータ操作AIの限界：ブラウザ確認や管理画面操作を丸投げしない理由

  OSWorld、WebArena、OdysseyBenchから、GUI、Web、複数アプリ長時間workflowの難しさと、Codex作業で人間確認を残す理由を整理します。

• GPT-5.6を論文とベンチマークで読む：Codex・AIエージェント・安全性の現在地

  GPT-5.6 Sol、max reasoning、ultra modeを、SWE-bench、TerminalWorld、OSWorld、OdysseyBench、PaperBench、Cybench、AgentHarmなどの研究・ベンチマークから読み解き、CodexやAIエージェントに何を任せられるかを整理します。