osworld-mcp 正式发布，标志着首个面向真实环境的 computer-use agents 产品能力全面评测基准正式落地。
作为 OSWorld 的增强版本，OSWorld-MCP 聚焦于评估模型上下文协议（MCP）工具调用、图形用户界面（GUI）交互能力以及智能决策水平，显著提升了测试的真实性、公平性与跨模型可比性。
核心亮点包括：
- 集成 158 个经验证的 MCP 工具，覆盖 LibreOffice Writer、Calc、Impress、VS Code、Google Chrome、VLC 及系统实用程序等 7 大常用应用，其中 25 个为用于鲁棒性检验的干扰工具。
- 包含 250 项工具适用性任务，其中 69% 的基准任务能从 MCP 工具中获益。
- 支持多轮工具调用机制，极大增加了任务执行中的决策复杂度。
- 实验表明 MCP 显著提升性能——如 OpenAI o3 在 15 步内准确率从 8.3% 提升至 20.4%。
- 最高观测到的工具调用率（TIR）达 36.3%（Claude-4-Sonnet，50 步），反映出当前代理仍有巨大优化空间。
- MCP 工具有效推动代理整体指标提升。
- 准确率随工具调用次数增加而上升，体现深度交互的价值。
- 多工具协同使用带来严峻挑战，考验模型推理与规划能力。
下图展示了 OSWorld-MCP 的完整评估架构，融合了 GUI 操作与 MCP 工具调用：
该项目现已开源，所有资源和详细文档均可通过以下链接获取：
https://www.php.cn/link/e0d04159c4304a1f2a5e191f551f3a94
https://www.php.cn/link/262e7707a161061c2b75c75215c2c4a9
