Claude Opus 5 在 OSWorld 70.6% 但严格成功率约 30%
ysu_nlp · x · 2026-07-27
这条转发在夸 Claude 团队在 OSWorld 上取得明显进步，但同时提醒：70.6% 是 partial-credit 评分，如果按更严格的二元任务成功率来算，Opus 5 仍只有约 30%。
引用内容进一步说明，他们接下来会改进任务质量，让这类高难任务的 task-level binary success 更稳健、更可靠。
「模型」频道最新
- Opus 5 整体强于 Opus 4.8，但也继承了 Fable 风格怪癖 — eyishazyer · 2026-07-27
- Opus 5 整体强于 4.8，但也带上了 Fable 风格 — eyishazyer · 2026-07-27
- Opus 5 仅凭一个提示词做出完整射击游戏 — eyishazyer · 2026-07-27
- 发布三天后，Opus 5 已能做咨询级表格和幻灯片 — eyishazyer · 2026-07-27
- 兼职写作者称 ChatGPT 创意写作仍明显落后 Claude — NeonXEExperiment · 2026-07-27
- Anthropic 发布 Opus 5 提示指南：先删减，而不是堆砌提示词 — xiaohu · 2026-07-27