osworld-2-0

장기 연속 데스크톱 작업을 평가하는 공개 벤치마크로 총 108개 작업을 포함한다. 각 작업은 화면 인식·상태 접근·다중 소스 추론 등 다양한 역량을 요구하며 바이너리 성공·부분 점수·작업당 비용을 측정한다. 본문 실험은 이 벤치마크에서 StateAct와 여러 비교 시스템을 평가하는 데 사용되었다.