macOS 27.3 पुरानी डिवाइस कंट्रोल सेटिंग को System & App Protection Override और एक्सेसिबिलिटी में बाँट देता है। इसमें हर बार पूछने का विकल्प और मेन्यू-बार का संकेतक जुड़ा है, पर 27.3 से पहले दी गई इजाज़तें चालू रहती हैं।
कंप्यूटर चलाने वाला सबसे अच्छा AI एजेंट 2026
Claude का कंप्यूटर यूज़ सिर्फ़ स्क्रीन रिकॉर्डिंग और एक्सेसिबिलिटी की इजाज़त के साथ असली डेस्कटॉप के 85.96% काम पूरे करता है, जबकि OpenClaw फ़ुल डिस्क एक्सेस माँगता है और उसने कोई स्कोर प्रकाशित ही नहीं किया है।
- नंबर 1: Qwen3.8 Max (अलीबाबा)
- 10 स्थान
01अंतिम सूची
अग्रणी AI ने स्वतंत्र रूप से अपनी-अपनी दस स्थानों की सूची बनाई। यहाँ एक आसानी से जाँचा जा सकने वाला नतीजा है: हर स्थान का कारण, स्रोत और उसे शामिल करने वाले AI की सूची है।
क्रम: सबसे अधिक AI सहमति से सबसे कम तक।
चमकीला बैज: इस AI ने प्रविष्टि अपनी सूची में रखी। फीका बैज: नहीं रखी।
- 1
Qwen3.8 Max (अलीबाबा)
सूची में OSWorld-Verified का सबसे ऊँचा स्कोर, 86.1%, लेकिन इसकी रिपोर्ट सिर्फ़ अलीबाबा ने दी है। स्टील का कहना है कि जाँचा गया विज़ुअल मॉडल सार्वजनिक नहीं है, इसलिए आप इसे अपने सैंडबॉक्स में अभी नहीं चला सकते।
शामिल किया: Claude, ChatGPT, Meta, Grok, MiMo, Kimi, DeepSeek, Qwen. शामिल नहीं किया: Gemini, Wenxin.उनकी सूचियों में: Claude: 5 · ChatGPT: 1 · Meta: सूची देखें · Grok: 3 · MiMo: 5 · Kimi: 2 · DeepSeek: 5 · Qwen: 1
हर AI ने क्या नोट किया 8
- Claudeस्थान 5
सूची में OSWorld-Verified का सबसे ऊँचा आंकड़ा (86.1%) इसी का है, पर इसके वेट्स की पुष्टि नहीं हुई और स्कोर सिर्फ़ कंपनी की अपनी रिपोर्ट से है।
स्रोत ↗ - ChatGPTस्थान 1
मौजूदा OSWorld-Verified तालिका में 86.1% सबसे आगे है, पर प्रकाशित पंक्ति में इसका एजेंट ढांचा (scaffold) नहीं बताया गया है।
स्रोत ↗ - Meta
इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।
सूची देखें - Grokस्थान 3
खुले वेट्स के साथ 86.1% सत्यापित पर कई एग्रीगेटर सूचियों में आगे।
स्रोत ↗ - MiMoस्थान 5
86.1% के साथ डेस्कटॉप स्कोरबोर्ड में सबसे आगे — खुला सूचीबद्ध, जबकि परखा गया विज़ुअल मॉडल खुला नहीं है।
स्रोत ↗ - Kimiस्थान 2
OSWorld-Verified पर 86.1% — और वेट्स डाउनलोड किए जा सकते हैं (27B चेकपॉइंट 84.3% तक पहुँचता है), इसलिए शीर्ष डेस्कटॉप नतीजे को आपकी मशीन तक कोई पहुँच नहीं चाहिए।
स्रोत ↗ - DeepSeekस्थान 5
OSWorld-Verified पर 86.1% — सूची में सबसे ऊँचा — पर एजेंट की स्थानीय अनुमति-छाप सार्वजनिक रूप से विस्तार से नहीं बताई गई है।
स्रोत ↗ - Qwenस्थान 1
OSWorld-Verified पर 86.1% — अब तक का सबसे ऊँचा सत्यापित डेस्कटॉप स्कोर — और टूल-अनुमतियों पर बारीक नियंत्रण भी देता है।
स्रोत ↗
8 AI ने इसे यहाँ रखा - 2
Claude कंप्यूटर यूज़ (एंथ्रोपिक: Claude Code, Cowork)
किसी मुख्यधारा एजेंट का सबसे ऊँचा आधिकारिक रूप से चला हुआ स्कोर, 85.96%, सिर्फ़ स्क्रीन रिकॉर्डिंग और एक्सेसिबिलिटी के साथ, फ़ुल डिस्क एक्सेस के बिना। तारे का निशान जुलाई की SharedRoot सैंडबॉक्स सेंध की ओर इशारा करता है।
शामिल किया: Claude, ChatGPT, Meta, Grok, MiMo, Kimi, DeepSeek, Qwen. शामिल नहीं किया: Gemini, Wenxin.उनकी सूचियों में: Claude: 1 · ChatGPT: 2 · Meta: 1 · Grok: 10 · MiMo: 1 · Kimi: 6 · DeepSeek: 3 · Qwen: 3
हर AI ने क्या नोट किया 8
- Claudeस्थान 1
OSWorld-Verified पर 85.0% और OSWorld 2.0 पर 66.1% आंशिक स्कोर करता है। इसे Screen Recording और Accessibility चाहिए, Full Disk Access नहीं।
स्रोत ↗ - ChatGPTस्थान 2
85% इसे शीर्ष स्कोर से 1.1 अंक के भीतर रखता है; बेंचमार्क तालिका यह नतीजा एंथ्रोपिक का बताती है।
स्रोत ↗ - Metaस्थान 1
Fable 5 के लिए OSWorld-Verified पर 85.96% और Opus 5.5 के लिए OSWorld 2.1 पर आंशिक 81.8%; डिफ़ॉल्ट रूप से क्लाउड-सैंडबॉक्स में चलता है, डिफ़ॉल्ट रूप से पूरी डिस्क तक पहुँच के साथ नहीं।
स्रोत ↗ - Grokस्थान 10
सत्र तक सीमित Accessibility + Screen Recording, हर ऐप के लिए मंज़ूरी के संकेत के साथ।
स्रोत ↗ - MiMoस्थान 1
यहाँ अकेला एजेंट जो अपने कमांड एक पिंजरे में चलाता है — और इस पिंजरे ने अनुमति के संकेत 84% घटा दिए।
स्रोत ↗ - Kimiस्थान 6
उसी ढांचे का उपभोक्ता संस्करण: यह हर ऐप के लिए पूछता है, बैंकिंग या स्वास्थ्य ऐप्स के लिए सलाह नहीं देता, और डेस्कटॉप ऐप खुला रहने पर ही आपके कंप्यूटर तक पहुँचता है।
स्रोत ↗ - DeepSeekस्थान 3
OSWorld-Verified पर 85%, सिर्फ़ Accessibility और Screen Recording के साथ — Full Disk Access नहीं — और macOS 27.3 में हर ऐप के लिए override स्तर।
स्रोत ↗ - Qwenस्थान 3
असली डेस्कटॉप कार्यों पर 85.0% तक पहुँचता है, पर पूरी स्क्रीन-रिकॉर्डिंग और Accessibility override पर निर्भर है।
स्रोत ↗
8 AI ने इसे यहाँ रखा - 3
ओपनएआई ChatGPT एजेंट / Codex कंप्यूटर यूज़
दो मोड, दो तरह की एक्सेस: क्लाउड वाला ChatGPT एजेंट आपका डेस्कटॉप कभी नहीं देखता, जबकि आपके Mac पर Codex को स्क्रीन रिकॉर्डिंग और एक्सेसिबिलिटी चाहिए। GPT-5.5 का OSWorld-Verified पर स्कोर 78.7% है।
शामिल किया: Claude, Meta, Grok, MiMo, Kimi, DeepSeek, Qwen. शामिल नहीं किया: ChatGPT, Gemini, Wenxin.उनकी सूचियों में: Claude: सूची देखें · Meta: 2 · Grok: 8 · MiMo: 3 · Kimi: 4 · DeepSeek: 1 · Qwen: सूची देखें
हर AI ने क्या नोट किया 7
- Claude
इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।
सूची देखें - Metaस्थान 2
GPT-5.5 के लिए OSWorld-Verified पर 78.7% और GPT-5.6 Sol के लिए OSWorld 2.0 पर आंशिक 62.6%; एजेंट ओपनएआई के सैंडबॉक्स में चलता है और डिफ़ॉल्ट रूप से आपका डेस्कटॉप नहीं देखता।
स्रोत ↗ - Grokस्थान 8
शुरुआती OSWorld 38.1%; बाद में सैंडबॉक्स्ड वर्चुअल कंप्यूटर से स्थानीय पूरी-नियंत्रण की ज़रूरत घटती है।
स्रोत ↗ - MiMoस्थान 3
सबसे मज़बूत नया कंप्यूटर-उपयोग दिमाग़, एक-तिहाई लागत पर — अपने सुरक्षा कार्ड के साथ, जिसमें कार्यस्थल की गड़बड़ियाँ गिनाई गई हैं।
स्रोत ↗ - Kimiस्थान 4
आपके अपने Mac पर सबसे सक्षम मूल एजेंट (OSWorld-Verified पर 75%) सबसे ज़्यादा अनुमतियाँ भी माँगता है: Screen Recording, Accessibility, हर ऐप की मंज़ूरी — और एक वैकल्पिक Locked Use मोड, जो Mac को कुछ समय के लिए खोल सकता है।
स्रोत ↗ - DeepSeekस्थान 1
क्लाउड ब्राउज़र सैंडबॉक्स से OSWorld पर 38.1% देता है — स्थानीय डिस्क या Accessibility अनुमति लगभग नहीं चाहिए।
स्रोत ↗ - Qwen
इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।
सूची देखें
7 AI ने इसे यहाँ रखा - 4
सिमुलर Sai (Agent S)
यह आपके Mac की जगह क्लाउड डेस्कटॉप पर चल सकता है। यह OSWorld 2.0 पर 73% आंशिक सफलता का दावा करता है, पर पूरी तरह सिर्फ़ 28.25% काम पूरे करता है। बेंचमार्क सिमुलर ने साथ मिलकर लिखा है और चलाने की रिपोर्ट भी उसी ने दी है।
शामिल किया: Claude, Meta, Grok, MiMo, Kimi, DeepSeek, Qwen. शामिल नहीं किया: ChatGPT, Gemini, Wenxin.उनकी सूचियों में: Claude: 6 · Meta: 3 · Grok: 4 · MiMo: 7 · Kimi: 7 · DeepSeek: 6 · Qwen: 8
हर AI ने क्या नोट किया 7
- Claudeस्थान 6
OSWorld 2.0 पर हर कार्य की लागत $15.70 है, बाइनरी स्कोर 28.25%।
स्रोत ↗ - Metaस्थान 3
OSWorld 2.0 पर 73% आंशिक, पर बाइनरी सिर्फ़ 28.25% — इस सूची में आंशिक और पूरे हुए कार्य के बीच सबसे बड़ा अंतर।
स्रोत ↗ - Grokस्थान 4
OSWorld 2.0/2.1 पर सबसे ऊँचा रिपोर्ट किया गया आंशिक स्कोर (~73–79%), शुद्ध फ़्रंटियर मॉडलों से कम लागत पर।
स्रोत ↗ - MiMoस्थान 7
काम के हिसाब से बिकता है: पूरे हुए हर कार्य पर $15.70 — अकेला एजेंट जिसका नतीजे पर दाम लिखा है।
स्रोत ↗ - Kimiस्थान 7
OSWorld पर 69.9% — मानव आधार-रेखा से 2.5 अंक के भीतर — एक खुले फ़्रेमवर्क से, जिसका Behavior Best-of-N अतिरिक्त अनुमतियों से नहीं, बल्कि अतिरिक्त रन से अंक जुटाता है।
स्रोत ↗ - DeepSeekस्थान 6
OSWorld पर 72.6% — मानव आधार-रेखा से ऊपर — एक खुले स्रोत के हार्नेस में, जो Accessibility और Screen Recording के साथ चलता है।
स्रोत ↗ - Qwenस्थान 8
OSWorld 2.0 पर 73% हासिल करता है, लंबी अवधि के पेशेवर कार्यों और सख़्त स्थानीय सैंडबॉक्सिंग में संतुलन रखते हुए।
स्रोत ↗
7 AI ने इसे यहाँ रखा - 5
Mac के लिए Gemini कंप्यूटर यूज़ (गूगल)
OSWorld-Verified पर 83% स्कोर (गूगल की रिपोर्ट के अनुसार)। यह अलग विंडो में काम करता है, सिर्फ़ वही ऐप्स चलाता है जो आप चुनें, और ज़रूरी कदमों से पहले पूछता है। समीक्षकों की चेतावनी है कि डाला गया टेक्स्ट अब भी इसे दिशा दे सकता है।
शामिल किया: Claude, ChatGPT, Meta, MiMo, Kimi, DeepSeek. शामिल नहीं किया: Grok, Gemini, Wenxin, Qwen.उनकी सूचियों में: Claude: 7 · ChatGPT: सूची देखें · Meta: 5 · MiMo: 2 · Kimi: 3 · DeepSeek: 8
हर AI ने क्या नोट किया 6
- Claudeस्थान 7
यह अलग विंडो में काम करता है, पर गूगल का अपना दस्तावेज़ चेतावनी देता है कि ऐप्स के बीच प्रॉम्प्ट इंजेक्शन का खतरा है।
स्रोत ↗ - ChatGPT
इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।
सूची देखें - Metaस्थान 5
OSWorld-Verified पर 83.0%, 19 नवंबर 2026 को लॉन्च हुआ — उसी दिन जिस दिन एप्पल के अपने Mac एजेंट की रिपोर्ट आई।
स्रोत ↗ - MiMoस्थान 2
देर से आया — पर अकेला मेहमान जो किसी ऐप को छूने से पहले अपना काम दिखाता है।
स्रोत ↗ - Kimiस्थान 3
OSWorld-Verified पर 78.4%, 'पूरा: माहौल आप चलाते हैं' के साथ — एजेंट के साथ Mac की अनुमति-सूची नहीं आती, क्योंकि सैंडबॉक्स आपका है।
स्रोत ↗ - DeepSeekस्थान 8
OSWorld-Verified पर 83%, पर एजेंट हार्नेस की पहुँच का ब्योरा सार्वजनिक रूप से दर्ज नहीं है।
स्रोत ↗
6 AI ने इसे यहाँ रखा - 6
Holo3 / Holo4 (एच कंपनी)
बेंचमार्क टीम ने खुद चलाया सबसे अच्छा स्कोर, 82.6%, ओपन वेट्स से, जिनके 3B सक्रिय पैरामीटर हैं, इसलिए सैंडबॉक्स आप चुनते हैं। Holo4-27B 85.2% का दावा करता है, पर वह सिर्फ़ शोध के लिए है।
शामिल किया: Claude, ChatGPT, Meta. शामिल नहीं किया: Grok, Gemini, MiMo, Kimi, DeepSeek, Wenxin, Qwen.उनकी सूचियों में: Claude: 3 · ChatGPT: 7 · Meta: 4
हर AI ने क्या नोट किया 3
- Claudeस्थान 3
स्वतंत्र रूप से चलाए गए OSWorld-Verified में शीर्ष नतीजा (82.6%) एक ऐसे मॉडल का है, जिसमें सिर्फ़ 3B सक्रिय पैरामीटर हैं।
स्रोत ↗ - ChatGPTस्थान 7
82.6% इन शीर्ष दस पंक्तियों में स्वतंत्र रूप से जाँचा गया सबसे मज़बूत नतीजा है; यह एक ख़ास कंप्यूटर-उपयोग वाला मॉडल है।
स्रोत ↗ - Metaस्थान 4
27B के लिए OSWorld पर 85.2%, प्रति कार्य $0.08 पर — यहाँ सबसे अच्छा स्कोर-प्रति-डॉलर, पर 27B संस्करण सिर्फ़ शोध के लिए है।
स्रोत ↗
3 AI ने इसे यहाँ रखा - 7
मेटा Muse Spark / metacua
आधिकारिक OSWorld-Verified तालिका पर 80.67% स्कोर, लेकिन metacua डिफ़ॉल्ट रूप से बिना सैंडबॉक्स के आपका असली Mac चलाता है। एक Muse घटना की वजह से एप्पल ने नई चेतावनी जोड़ी।
शामिल किया: Claude, Meta, MiMo. शामिल नहीं किया: ChatGPT, Grok, Gemini, Kimi, DeepSeek, Wenxin, Qwen.उनकी सूचियों में: Claude: 9 · Meta: 6 · MiMo: सूची देखें
हर AI ने क्या नोट किया 3
- Claudeस्थान 9
सूची में सबसे अच्छा बाइनरी OSWorld 2.0 स्कोर, 32.0%, दर्ज है, हालाँकि आंशिक स्कोर कम, 66.9% है।
स्रोत ↗ - Metaस्थान 6
OSWorld-Verified पर 80.67% (जाँचा हुआ), पर यह आपकी असली मशीन चलाता है — इसकी पहुँच की कीमत पूरी मशीन है, सैंडबॉक्स नहीं।
स्रोत ↗ - MiMo
इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।
सूची देखें
3 AI ने इसे यहाँ रखा - 8
Manus
आपके Mac की एक्सेस नहीं चाहिए, क्योंकि हर काम को अपनी क्लाउड VM मिलती है। इसका OSWorld का 72.5% आंकड़ा सिर्फ़ एक बाज़ार-रिपोर्ट से आता है और किसी आधिकारिक तालिका पर नहीं है, इसलिए इसे अनुमान मानें।
शामिल किया: Meta, DeepSeek. शामिल नहीं किया: Claude, ChatGPT, Grok, Gemini, MiMo, Kimi, Wenxin, Qwen.उनकी सूचियों में: Meta: 8 · DeepSeek: 2
हर AI ने क्या नोट किया 2
- Metaस्थान 8
हर कार्य के लिए पूरी तरह अलग क्लाउड VM, 'ज़ीरो-ट्रस्ट' के दावों के साथ — मज़बूत सैंडबॉक्स, पर काम साबित करने वाला कोई प्रकाशित OSWorld स्कोर नहीं।
स्रोत ↗ - DeepSeekस्थान 2
रूट पहुँच वाले क्लाउड VM में चलता है, इसलिए इसका OSWorld 72.5% स्कोर आपकी Mac की डिस्क सौंपे बिना आता है।
2 AI ने इसे यहाँ रखा - 9
पर्प्लेक्सिटी Personal Computer (Comet)
यह Mac की तीनों बड़ी इजाज़तें माँगता है, फ़ुल डिस्क एक्सेस भी। इसमें मंज़ूरी के पड़ाव हैं, पर कोई प्रकाशित OSWorld स्कोर नहीं है जो बताए कि इसके बदले आपको क्या मिलता है।
शामिल किया: Meta, Wenxin. शामिल नहीं किया: Claude, ChatGPT, Grok, Gemini, MiMo, Kimi, DeepSeek, Qwen.उनकी सूचियों में: Meta: 9 · Wenxin: 9
हर AI ने क्या नोट किया 2
- Metaस्थान 9
आपके असली Mac पर Accessibility, Screen Recording और Full Disk Access माँगता है — स्थानीय अनुमतियों की सबसे ज़्यादा माँग — बिना OSWorld स्कोर के, और दो सार्वजनिक सुरक्षा घटनाओं के साथ।
स्रोत ↗ - Wenxinस्थान 9
एजेंट का संचालन सीधे आपके Mac पर ले जाता है, Mac mini पर लगातार 24 घंटे चलने के लिए अनुकूलित
2 AI ने इसे यहाँ रखा - 10
OpenClaw (पहले Moltbot / Clawdbot)
सबसे ज़्यादा एक्सेस, सबसे कम सबूत: Terminal के लिए फ़ुल डिस्क एक्सेस, साथ में एक्सेसिबिलिटी और स्क्रीन रिकॉर्डिंग, बिना सैंडबॉक्स के आपके असली Mac पर नियंत्रण, और कोई OSWorld स्कोर नहीं।
शामिल किया: Claude, Meta. शामिल नहीं किया: ChatGPT, Grok, Gemini, MiMo, Kimi, DeepSeek, Wenxin, Qwen.उनकी सूचियों में: Claude: 10 · Meta: 10
हर AI ने क्या नोट किया 2
- Claudeस्थान 10
इसके अपने दस्तावेज़ macOS की अनुमतियाँ साफ़ लिखते हैं, इसलिए यह सबसे पारदर्शी खुला विकल्प है, पर इसका अपना बेंचमार्क स्कोर नहीं है।
स्रोत ↗ - Metaस्थान 10
सबसे ज़्यादा पहुँच, कोई बेंचमार्क नहीं: Terminal को Full Disk Access, साथ में Accessibility और Screen Recording, और इसे सही ठहराने वाला कोई प्रकाशित OSWorld स्कोर नहीं।
स्रोत ↗
2 AI ने इसे यहाँ रखा
02जानने योग्य
सूची बनाते समय AI ने क्या देखा।
आधिकारिक OSWorld-Verified में नंबर 1 है Intelligence-Indeed Agent, 90.19% पर। इसे उसी ने खुद भेजा था, और इसे कितनी एक्सेस चाहिए, इस बारे में कुछ प्रकाशित नहीं है।
सिर्फ़ effort सेटिंग बदलने से Claude Opus 5 का OSWorld 2.0 पर बाइनरी पूर्णता 18.81% से बढ़कर 44.33% हो जाता है।
Gemini का Mac कंप्यूटर यूज़ 19 नवंबर 2026 को लॉन्च हुआ, उसी दिन खबर आई कि एप्पल 2027 के आखिर तक अपना Mac एजेंट बना सकता है।
03हमने कैसे गिना
सीधी भाषा में, बिना सूत्रों के।
1सवाल
आपका कंप्यूटर चलाने वाले शीर्ष 10 AI एजेंट: वे कितना अच्छा काम करते हैं बनाम वे कितनी पहुँच माँगते हैं
2यह विषय क्यों
पाठक बेंचमार्क नतीजा और पहुँच में चुकाई जाने वाली कीमत एक साथ देखता है, और यह दिखाता है कि सबसे ताकतवर एजेंट हमेशा वही नहीं होता जिसे आपके Mac से सबसे कम चाहिए।
3यह कहाँ लागू होता है
दुनिया भर; वे AI एजेंट जो डेस्कटॉप चलाते हैं (Mac, Windows, Linux), जिनमें डेस्कटॉप ऐप और ब्राउज़र भी शामिल हैं
4हमने किन बातों पर ध्यान दिया
- OSWorld-Verified (असली डेस्कटॉप काम) पर काम पूरा करने का स्कोर, परीक्षण किए गए मॉडल, एजेंट की सेटिंग और बेंचमार्क के संस्करण के नाम के साथ
- OSWorld 2.0 के कठिन, लंबे कामों पर स्कोर, अलग दिखाया गया और OSWorld-Verified के साथ कभी नहीं मिलाया गया
- एजेंट की सेटिंग कितनी व्यापक सिस्टम पहुँच माँगती है: फुल डिस्क एक्सेस, स्क्रीन रिकॉर्डिंग, एक्सेसिबिलिटी नियंत्रण, और macOS 27.3 का ओवरराइड स्तर
- क्या एजेंट सैंडबॉक्स में चल सकता है, या ऐसे मोड में जो हर बार इजाज़त माँगता है
- OSWorld-Verified की आधिकारिक तालिका (OSWorld टीम) — असली डेस्कटॉप कामों में से पूरे हुए कामों का हिस्सा, आख़िरी ऐप या फ़ाइल की स्थिति से जाँचा गया; ये पंक्तियाँ OSWorld टीम खुद 100 कदमों पर चलाती है
- BenchLM का OSWorld-Verified ट्रैकर — 36 मॉडल, हर एक पर लिखा है कि स्कोर कंपनी की रिपोर्ट है या OSWorld-Verified ने चलाया है
- OSWorld 2.0 / 2.1 (स्नॉर्केल AI, स्टील) — 108 लंबे कार्य-क्रमों पर आंशिक और सख़्त बाइनरी पूर्णता; इसका अपना पैमाना है, OSWorld-Verified के साथ कभी नहीं मिलाया जाता
- macOS 27.3 इजाज़त मॉडल (मैकरूमर्स) — कोई ऐप किस स्तर की इजाज़त माँगता है: हर बार पूछें, एक्सेसिबिलिटी, फ़ुल डिस्क एक्सेस, System & App Protection Override
5रैंक किसने दी
अग्रणी AI: Claude, ChatGPT, Meta, Grok, Gemini, MiMo, Kimi, DeepSeek, Wenxin, Qwen। हर एक ने स्वतंत्र रूप से दस स्थानों की अपनी सूची बनाई और हर स्थान के लिए स्रोत बताया।
6स्थान कैसे तय हुए
अलग-अलग AI द्वारा अलग ढंग से लिखी गई एक ही चीज़ को एक गिना गया। जितने ज़्यादा AI ने किसी चीज़ को अपनी सूची में रखा और जितना ऊपर रखा, उसका स्थान उतना ऊँचा। "AI की सहमति" बताती है कि कितने AI की अपनी सूची में वह चीज़ थी। स्रोत केवल वही हैं जो AI ने खुद खोजे; हाथ से कुछ नहीं जोड़ा गया।
04हर AI की अपनी सूची
🇺🇸 Claude10 स्थान · 4 नोट
वही सवाल, जिसका जवाब अकेले Claude ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Claude Fable 5 (एंथ्रोपिक कंप्यूटर यूज़, 2026)
OSWorld-Verified पर 85.0% और OSWorld 2.0 पर 66.1% आंशिक स्कोर करता है। इसे Screen Recording और Accessibility चाहिए, Full Disk Access नहीं।
स्रोत ↗ - 2Claude Opus 5 (एंथ्रोपिक, 2026)
इसके OSWorld 2.0 नतीजे को स्नॉर्केल AI ने स्वतंत्र रूप से दोहराया (बाइनरी 31.43%)। GUI परीक्षणों में प्रॉम्प्ट इंजेक्शन हमलों की सबसे कम प्रकाशित दर (0.54%) इसी की है।
स्रोत ↗ - 3Holo3 (एच कंपनी, 35B-A3B)
स्वतंत्र रूप से चलाए गए OSWorld-Verified में शीर्ष नतीजा (82.6%) एक ऐसे मॉडल का है, जिसमें सिर्फ़ 3B सक्रिय पैरामीटर हैं।
स्रोत ↗ - 4GPT-6 Astra (ओपनएआई)
ओपनएआई के मॉडलों में यह OSWorld 2.0 के ऑफ़लाइन हिस्से के दावों में 72.6% आंशिक के साथ आगे है। पर ओपनएआई ने जो स्रोत मुझे मिले उनमें OSWorld-Verified का मेल खाता आंकड़ा प्रकाशित नहीं किया है।
स्रोत ↗ - 5Qwen3.8-Max (अलीबाबा)
सूची में OSWorld-Verified का सबसे ऊँचा आंकड़ा (86.1%) इसी का है, पर इसके वेट्स की पुष्टि नहीं हुई और स्कोर सिर्फ़ कंपनी की अपनी रिपोर्ट से है।
स्रोत ↗ - 6सिमुलर Sai
OSWorld 2.0 पर हर कार्य की लागत $15.70 है, बाइनरी स्कोर 28.25%।
स्रोत ↗ - 7Mac पर Gemini कंप्यूटर यूज़ (गूगल, 2026)
यह अलग विंडो में काम करता है, पर गूगल का अपना दस्तावेज़ चेतावनी देता है कि ऐप्स के बीच प्रॉम्प्ट इंजेक्शन का खतरा है।
स्रोत ↗ - 8Claude Sonnet 5 (एंथ्रोपिक)
OSWorld-Verified पर 81.2%, एक मध्यम श्रेणी के मॉडल से, वही दो अनुमतियों वाली सेटिंग के साथ जो शीर्ष मॉडलों की है।
स्रोत ↗ - 9Muse Spark 1.3 (मेटा)
सूची में सबसे अच्छा बाइनरी OSWorld 2.0 स्कोर, 32.0%, दर्ज है, हालाँकि आंशिक स्कोर कम, 66.9% है।
स्रोत ↗ - 10OpenClaw (ओपन-सोर्स Mac एजेंट)
इसके अपने दस्तावेज़ macOS की अनुमतियाँ साफ़ लिखते हैं, इसलिए यह सबसे पारदर्शी खुला विकल्प है, पर इसका अपना बेंचमार्क स्कोर नहीं है।
स्रोत ↗
Claude ने क्या देखा
OSWorld 2.0 पर सबसे अच्छा स्वतंत्र बाइनरी नतीजा (लगभग 31%) उन 66–78% आंशिक स्कोरों से बहुत कम है, जिन्हें कंपनियाँ बताती हैं। इसलिए कौन-सा पैमाना चुना गया, इससे पूरी कहानी बदल जाती है।
OSWorld-Verified के शीर्ष मॉडल एक-दूसरे से लगभग एक अंक के भीतर हैं, जिससे लगता है कि यह बेंचमार्क अपनी सीमा के करीब है।
macOS 27.3 पुरानी व्यापक अनुमति को System & App Protection Override और Accessibility में बाँट देता है, और उपयोगकर्ता हर बार पूछने वाली मंज़ूरी माँग सकते हैं।
रिपोर्ट के अनुसार एप्पल अपना Mac को नियंत्रित करने वाला एजेंट बनाने के लिए लोग भर्ती कर रहा है, जो संभवतः 2027 के अंत तक आ सकता है।
🇺🇸 ChatGPT10 स्थान · 2 नोट
वही सवाल, जिसका जवाब अकेले ChatGPT ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Qwen3.8 Max (2026)
मौजूदा OSWorld-Verified तालिका में 86.1% सबसे आगे है, पर प्रकाशित पंक्ति में इसका एजेंट ढांचा (scaffold) नहीं बताया गया है।
स्रोत ↗ - 2Claude Fable 5 (2026)
85% इसे शीर्ष स्कोर से 1.1 अंक के भीतर रखता है; बेंचमार्क तालिका यह नतीजा एंथ्रोपिक का बताती है।
स्रोत ↗ - 3Claude Mythos 5 (2026)
85% दूसरे स्थान के बराबर है; प्रकाशित आंकड़े नहीं बताते कि यह नतीजा किस एजेंट सेटअप से आया।
स्रोत ↗ - 4Qwen3.8-27B (2026)
84.3% अग्रणी Qwen3.8 Max नतीजे से दो अंक से भी कम पीछे है।
स्रोत ↗ - 5Claude Opus 4.8 (2026)
छोटे बेंचमार्क पर 83.4%, जबकि OSWorld 2.0 पर पूरी तरह पूरा होना सिर्फ़ 20.6%।
स्रोत ↗ - 6Gemini 3.6 Flash (2026)
83% कंपनी की अपनी रिपोर्ट का नतीजा है; तालिका में इतनी सेटअप जानकारी नहीं कि उत्पादों की बराबर तुलना हो सके।
स्रोत ↗ - 7Holo3-35B-A3B (2026)
82.6% इन शीर्ष दस पंक्तियों में स्वतंत्र रूप से जाँचा गया सबसे मज़बूत नतीजा है; यह एक ख़ास कंप्यूटर-उपयोग वाला मॉडल है।
स्रोत ↗ - 8MiMo-V2.6-Pro (2026)
82% इसे शीर्ष आठ में रखता है, पर यह नतीजा कंपनी की रिपोर्ट है, किसी खुले उपयोगकर्ता-परीक्षण का नहीं।
स्रोत ↗ - 9Claude Sonnet 5 (2026)
81.2% इसे अगले मॉडल से 0.4 अंक आगे रखता है, पर रिपोर्ट की पंक्ति में इसका एजेंट ढांचा नहीं है।
स्रोत ↗ - 10MiMo-V2.6-Flash (2026)
80.8% शीर्ष दस को पूरा करता है, शीर्ष नतीजे से 5.3 अंक नीचे।
स्रोत ↗
ChatGPT ने क्या देखा
Holo3-35B-A3B की 82.6% पंक्ति पर OSWorld-Verified का निशान है कि जाँच उसी ने की; ऊँचे स्कोर वाली ज़्यादातर पंक्तियाँ कंपनी की रिपोर्ट से हैं, इसलिए शीर्ष क्रम एक समान स्वतंत्र मुकाबला नहीं है।
macOS 27.3 हर अनुरोध के लिए अनुमति का विकल्प जोड़ता है और Accessibility को System & App Protection Override से अलग करता है; एप्पल कहता है कि पहले दी गई ऐप-अनुमतियाँ लागू रहती हैं।
🇺🇸 Meta10 स्थान · 3 नोट
वही सवाल, जिसका जवाब अकेले Meta ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Claude Cowork (एंथ्रोपिक, 2026)
Fable 5 के लिए OSWorld-Verified पर 85.96% और Opus 5.5 के लिए OSWorld 2.1 पर आंशिक 81.8%; डिफ़ॉल्ट रूप से क्लाउड-सैंडबॉक्स में चलता है, डिफ़ॉल्ट रूप से पूरी डिस्क तक पहुँच के साथ नहीं।
स्रोत ↗ - 2ओपनएआई ChatGPT एजेंट (GPT-5.6 Sol, 2026)
GPT-5.5 के लिए OSWorld-Verified पर 78.7% और GPT-5.6 Sol के लिए OSWorld 2.0 पर आंशिक 62.6%; एजेंट ओपनएआई के सैंडबॉक्स में चलता है और डिफ़ॉल्ट रूप से आपका डेस्कटॉप नहीं देखता।
स्रोत ↗ - 3सिमुलर Sai (Agent S, 2026)
OSWorld 2.0 पर 73% आंशिक, पर बाइनरी सिर्फ़ 28.25% — इस सूची में आंशिक और पूरे हुए कार्य के बीच सबसे बड़ा अंतर।
स्रोत ↗ - 4एच कंपनी Holo4 कंप्यूटर-यूज़ एजेंट (2026)
27B के लिए OSWorld पर 85.2%, प्रति कार्य $0.08 पर — यहाँ सबसे अच्छा स्कोर-प्रति-डॉलर, पर 27B संस्करण सिर्फ़ शोध के लिए है।
स्रोत ↗ - 5Mac के लिए गूगल Gemini कंप्यूटर यूज़ (Gemini 3.6 Flash, 2026)
OSWorld-Verified पर 83.0%, 19 नवंबर 2026 को लॉन्च हुआ — उसी दिन जिस दिन एप्पल के अपने Mac एजेंट की रिपोर्ट आई।
स्रोत ↗ - 6मेटा Muse / metacua (Muse Spark 1.1, 2026)
OSWorld-Verified पर 80.67% (जाँचा हुआ), पर यह आपकी असली मशीन चलाता है — इसकी पहुँच की कीमत पूरी मशीन है, सैंडबॉक्स नहीं।
स्रोत ↗ - 7माइक्रोसॉफ्ट 365 Copilot Researcher कंप्यूटर यूज़ के साथ (2026)
यहाँ सबसे साफ़ पहुँच-मॉडल है — हर बातचीत के लिए नया सैंडबॉक्स — पर इसे तौलने के लिए दोहराया जा सकने वाला OSWorld स्कोर नहीं है।
स्रोत ↗ - 8Manus 2.0 (2026)
हर कार्य के लिए पूरी तरह अलग क्लाउड VM, 'ज़ीरो-ट्रस्ट' के दावों के साथ — मज़बूत सैंडबॉक्स, पर काम साबित करने वाला कोई प्रकाशित OSWorld स्कोर नहीं।
स्रोत ↗ - 9पर्प्लेक्सिटी Comet Personal Computer (2026)
आपके असली Mac पर Accessibility, Screen Recording और Full Disk Access माँगता है — स्थानीय अनुमतियों की सबसे ज़्यादा माँग — बिना OSWorld स्कोर के, और दो सार्वजनिक सुरक्षा घटनाओं के साथ।
स्रोत ↗ - 10OpenClaw (पहले Moltbot / Clawdbot, 2026)
सबसे ज़्यादा पहुँच, कोई बेंचमार्क नहीं: Terminal को Full Disk Access, साथ में Accessibility और Screen Recording, और इसे सही ठहराने वाला कोई प्रकाशित OSWorld स्कोर नहीं।
स्रोत ↗
Meta ने क्या देखा
Mac के लिए Gemini कंप्यूटर-उपयोग 19 नवंबर 2026 को लॉन्च हुआ — उसी दिन टेकक्रंच ने रिपोर्ट किया कि एप्पल अपना Mac-उपयोग करने वाला AI एजेंट बना रहा है, जो 2027 के अंत तक आ सकता है।
macOS 27.3 'Device Control' और 'Data Access' को System & App Protection Override और Accessibility में बाँटता है; हर फ़ोल्डर के लिए Full Disk Access, हर बार पूछने का विकल्प, और जब एक ऐप दूसरे को नियंत्रित करे तब मेनू-बार संकेतक जोड़ता है।
सत्यापित OSWorld सूची का शीर्ष नाम आम उपभोक्ता मॉडल नहीं है: Intelligence-Indeed Agent ने 90.19% सत्यापित स्कोर किया, Claude Fable 5 के 85.96% से आगे, जो दिखाता है कि मॉडल के ऊपर ढांचा और फ़्रेमवर्क कितना जोड़ते हैं।
🇺🇸 Grok10 स्थान · 1 नोट
वही सवाल, जिसका जवाब अकेले Grok ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Intelligence-Indeed Z-Agent / InAgent (2026)
OSWorld-Verified पर 90% पार करने वाला पहला सत्यापित एजेंट (90.19%)।
स्रोत ↗ - 2Claude Fable 5 / Mythos 5 कंप्यूटर यूज़ (एंथ्रोपिक, 2026)
85% सत्यापित, शीर्ष के करीब; एंथ्रोपिक लंबी अवधि के आंशिक स्कोर में भी आगे है।
स्रोत ↗ - 3Qwen3.8 Max कंप्यूटर यूज़ सेटअप (अलीबाबा, 2026)
खुले वेट्स के साथ 86.1% सत्यापित पर कई एग्रीगेटर सूचियों में आगे।
स्रोत ↗ - 4सिमुलर Sai (2026)
OSWorld 2.0/2.1 पर सबसे ऊँचा रिपोर्ट किया गया आंशिक स्कोर (~73–79%), शुद्ध फ़्रंटियर मॉडलों से कम लागत पर।
स्रोत ↗ - 5Claude Opus 5 / 5.5 कंप्यूटर यूज़ (एंथ्रोपिक, 2026)
लंबी अवधि वाले OSWorld 2.0/2.1 पर शीर्ष बाइनरी/आंशिक (बाइनरी 44% तक, आंशिक 81.8%)।
स्रोत ↗ - 6कोस्टी CUA (2026)
82.81% आधिकारिक सत्यापित प्रविष्टि; असली डेस्कटॉप नियंत्रण पर ज़ोर।
स्रोत ↗ - 7Pointer एजेंट + Opus 4.7 (2026)
हाइब्रिड कोडिंग + GUI तरीके से 83.64% सत्यापित।
स्रोत ↗ - 8ओपनएआई ChatGPT Agent / Operator की परंपरा (2025–2026)
शुरुआती OSWorld 38.1%; बाद में सैंडबॉक्स्ड वर्चुअल कंप्यूटर से स्थानीय पूरी-नियंत्रण की ज़रूरत घटती है।
स्रोत ↗ - 9माइक्रोसॉफ्ट Mage-VL-Cowork 4B (2026)
4B आकार पर 66.0% सत्यापित — खुले, छोटे हाइब्रिड GUI+शेल एजेंटों में रिपोर्ट किया गया सबसे अच्छा।
स्रोत ↗ - 10Claude Code कंप्यूटर यूज़ (एंथ्रोपिक, 2026)
सत्र तक सीमित Accessibility + Screen Recording, हर ऐप के लिए मंज़ूरी के संकेत के साथ।
स्रोत ↗
Grok ने क्या देखा
एजेंट अब OSWorld-Verified पर नियमित रूप से ~72% मानव आधार-रेखा से आगे निकल जाते हैं, फिर भी OSWorld 2.0 के लंबे कार्यों में बाइनरी पूरा होना अग्रणियों के लिए भी 50% से नीचे रहता है।
🇺🇸 Gemini10 स्थान · 1 नोट
वही सवाल, जिसका जवाब अकेले Gemini ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1एंथ्रोपिक Claude 3.7 Sonnet कंप्यूटर यूज़ (2025)
OSWorld-Verified पर 44.2% देता है, और Docker में बंद API सैंडबॉक्सिंग तथा हर कार्रवाई पर इंसानी मंज़ूरी के हुक देता है।
- 2बाइटडांस UI-TARS-2 (2025)
OSWorld-Verified पर 53.1% के साथ बंद मॉडलों से आगे, और आम कंप्यूटर पर स्थानीय रूप से चलता है, बिना रूट-स्तर पर क्लाउड टेलीमेट्री की अनुमति दिए।
स्रोत ↗ - 3Agent S2.5 w/ o3 (2025)
रीज़निंग टोकन के सहारे सत्यापित डेस्कटॉप कार्यों पर 56.4% तक पहुँचता है, पर इसे गहरी Accessibility और फ़ाइल-सिस्टम पर पढ़ने-लिखने की सीधी अनुमतियाँ चाहिए।
- 4ओपनएआई Operator (2025)
डेस्कटॉप के ब्राउज़र-सहायता वाले OS कार्यों पर 46.8% स्कोर करता है, और अपना असर मुख्य रूप से ब्राउज़र ऑटोमेशन और अलग VM टैब तक सीमित रखता है।
- 5कोस्टी स्वायत्त एजेंट (2025)
OSWorld कार्य पूरा होने में 42.1% तक पहुँचता है, अंतर्निर्मित रिमोट ब्राउज़र और डेस्कटॉप सैंडबॉक्स के साथ, जो आपके स्थानीय OS को मनमाने क्लिक से अलग रखता है।
- 6OS-Copilot / FRIDAY (2024)
OSWorld पर 35.6% के साथ स्व-सीखने वाले डेस्कटॉप एजेंटों की शुरुआत की, पर बिना शर्त Bash रूट शेल और Full Disk Access माँगता है।
- 7सिमुलर AI एजेंट (2025)
सत्यापित बेंचमार्क पर 38.3% हासिल करता है, मूल मल्टी-मोडल GUI निर्देशांकों से, और चलाने से पहले सख़्त पुष्टि की शर्त के साथ।
- 8OpenAdapt डेस्कटॉप ऑटोमेशन (2024)
स्क्रीन की स्थिति और उपयोगकर्ता के प्रदर्शनों को रिकॉर्ड करके डेस्कटॉप वर्कफ़्लो पर 29.8% तक पहुँचता है, और खुले स्रोत के स्थानीय लॉग से पारदर्शी रूप से चलता है।
स्रोत ↗ - 9एडेप्ट ACT-1 / वर्कडे एजेंट (2024)
एंटरप्राइज़ सॉफ़्टवेयर UI कार्रवाइयों की शुरुआत की, सत्यापित कार्य दर 31.2% के साथ, जो सीधे OS-स्तर नियंत्रण की जगह ब्राउज़र DOM रैपर के भीतर सीमित है।
- 10एप्पल प्रोटोटाइप Mac एजेंट (2026)
सिस्टम-स्तर पर Siri और App Intents से जुड़ता है, ताकि एप्पल के मूल macOS 27.3 सुरक्षा नियमों के तहत Mac पर ऐप-से-ऐप कार्य चलें।
स्रोत ↗
Gemini ने क्या देखा
एप्पल का आने वाला macOS 27.3 अपडेट, जब भी तीसरे पक्ष के एजेंट एक साथ Screen Capture और Accessibility override की अनुमति माँगते हैं, सख़्त चेतावनी डायलॉग लाता है, जो स्वचालित डेस्कटॉप रैपरों को सीधी चुनौती है।
🇨🇳 MiMo10 स्थान · 4 नोट
वही सवाल, जिसका जवाब अकेले MiMo ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Claude Code (एंथ्रोपिक, 2026)
यहाँ अकेला एजेंट जो अपने कमांड एक पिंजरे में चलाता है — और इस पिंजरे ने अनुमति के संकेत 84% घटा दिए।
स्रोत ↗ - 2Mac के लिए Gemini कंप्यूटर यूज़ (गूगल, 2026)
देर से आया — पर अकेला मेहमान जो किसी ऐप को छूने से पहले अपना काम दिखाता है।
स्रोत ↗ - 3GPT-6.2 Astra कंप्यूटर यूज़ (ओपनएआई, 2026)
सबसे मज़बूत नया कंप्यूटर-उपयोग दिमाग़, एक-तिहाई लागत पर — अपने सुरक्षा कार्ड के साथ, जिसमें कार्यस्थल की गड़बड़ियाँ गिनाई गई हैं।
स्रोत ↗ - 4Claude Cowork कंप्यूटर यूज़ (एंथ्रोपिक)
शीर्ष स्तर के स्कोर — और इसके अपने दस्तावेज़ में एक ईमानदार टिप्पणी: एजेंट और आपकी स्क्रीन के बीच कोई सैंडबॉक्स नहीं।
स्रोत ↗ - 5Qwen3.8 Max (अलीबाबा, 2026)
86.1% के साथ डेस्कटॉप स्कोरबोर्ड में सबसे आगे — खुला सूचीबद्ध, जबकि परखा गया विज़ुअल मॉडल खुला नहीं है।
स्रोत ↗ - 6Claude Opus 5 कंप्यूटर यूज़ (एंथ्रोपिक)
वही मॉडल, वही दिन: एक लंबा काम 18.8% या 44.3% पूरा हुआ, यह इस पर निर्भर है कि आप उसे कितनी मेहनत से कोशिश करने को कहते हैं।
स्रोत ↗ - 7सिमुलर Sai (सिमुलर AI, 2026)
काम के हिसाब से बिकता है: पूरे हुए हर कार्य पर $15.70 — अकेला एजेंट जिसका नतीजे पर दाम लिखा है।
स्रोत ↗ - 8MiMo-V2.6 (शाओमी, 2026)
82% पर खुले वेट्स — व्यावसायिक अग्रणियों के करीब, बिना बंधन के।
स्रोत ↗ - 9एप्पल Mac एजेंट (विकास के दौर में, 2027)
द्वारपाल का अपना एजेंट: यह उन अनुमति-नियमों को लिखने में मदद करेगा, जिनके तहत यह खुद चलता है।
स्रोत ↗ - 10Intelligence-Indeed Agent (2026)
स्कोरबोर्ड का रहस्यमय चैंपियन: 90.19%, मानव आधार-रेखा से ऊपर — और लगभग कोई इसका नाम नहीं बता सकता।
स्रोत ↗
MiMo ने क्या देखा
369 कार्यों वाले डेस्कटॉप परीक्षण में एजेंट इंसानों से आगे निकल गए (मानव आधार-रेखा 72.36%, शीर्ष स्कोर 90.19%) — फिर भी OSWorld 2.0 के बाइनरी पैमाने पर सबसे अच्छी मशीन लंबे असली कामों के आधे से कम पूरे करती है।
मेहनत की सेटिंग नतीजों को मॉडल के चुनाव से ज़्यादा बदलती है: उसी बेंचमार्क पर Opus 5 सिर्फ़ मेहनत 'कम' से 'अधिकतम' करने पर बाइनरी 18.81% से 44.33% पर पहुँच जाता है।
सबसे अच्छी पहुँच-कहानी वाला एजेंट सैंडबॉक्स में चलता है और अनुमति के संकेत 84% घटाता है; सबसे अच्छे स्कोर वाला साफ़ कहता है कि उसका कोई सैंडबॉक्स नहीं है।
एप्पल का नया macOS AI एजेंटों को उस जोखिम की तरह देखता है जिसके खिलाफ़ डिज़ाइन करना है — डिस्क की अनुमतियाँ बाँटकर — जबकि एप्पल खुद 2027 के लिए अपना एजेंट बना रहा है।
🇨🇳 Kimi10 स्थान · 4 नोट
वही सवाल, जिसका जवाब अकेले Kimi ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Claude कंप्यूटर यूज़ (Claude Opus 5.5, एंथ्रोपिक)
अब तक का सबसे अच्छा लंबी अवधि वाला डेस्कटॉप नतीजा — OSWorld 2.0 पर बाइनरी 48.7% — उस VM के भीतर से दिया गया जो आप उपलब्ध कराते हैं, इसलिए यह आपके Mac के अनुमति-स्तरों को कभी छूता ही नहीं।
स्रोत ↗ - 2Qwen3.8 Max (अलीबाबा)
OSWorld-Verified पर 86.1% — और वेट्स डाउनलोड किए जा सकते हैं (27B चेकपॉइंट 84.3% तक पहुँचता है), इसलिए शीर्ष डेस्कटॉप नतीजे को आपकी मशीन तक कोई पहुँच नहीं चाहिए।
स्रोत ↗ - 3Gemini कंप्यूटर यूज़ (गूगल, Gemini 3.x)
OSWorld-Verified पर 78.4%, 'पूरा: माहौल आप चलाते हैं' के साथ — एजेंट के साथ Mac की अनुमति-सूची नहीं आती, क्योंकि सैंडबॉक्स आपका है।
स्रोत ↗ - 4ChatGPT कंप्यूटर यूज़ (ओपनएआई, GPT-5.4)
आपके अपने Mac पर सबसे सक्षम मूल एजेंट (OSWorld-Verified पर 75%) सबसे ज़्यादा अनुमतियाँ भी माँगता है: Screen Recording, Accessibility, हर ऐप की मंज़ूरी — और एक वैकल्पिक Locked Use मोड, जो Mac को कुछ समय के लिए खोल सकता है।
स्रोत ↗ - 5Kimi K2.6 (मूनशॉट एआई)
खुले-वेट मॉडल में OSWorld-Verified पर 73.1% — काफ़ी मज़बूत, और एक डिस्पोज़ेबल VM के भीतर मुफ़्त चलाया जा सकता है।
स्रोत ↗ - 6Claude Cowork / Claude डेस्कटॉप कंप्यूटर यूज़ (एंथ्रोपिक)
उसी ढांचे का उपभोक्ता संस्करण: यह हर ऐप के लिए पूछता है, बैंकिंग या स्वास्थ्य ऐप्स के लिए सलाह नहीं देता, और डेस्कटॉप ऐप खुला रहने पर ही आपके कंप्यूटर तक पहुँचता है।
स्रोत ↗ - 7Agent S3 (सिमुलर AI)
OSWorld पर 69.9% — मानव आधार-रेखा से 2.5 अंक के भीतर — एक खुले फ़्रेमवर्क से, जिसका Behavior Best-of-N अतिरिक्त अनुमतियों से नहीं, बल्कि अतिरिक्त रन से अंक जुटाता है।
स्रोत ↗ - 8UI-TARS-2 (बाइटडांस)
OSWorld पर 47.5%, एक निजता वाली खूबी के साथ: 7B संस्करण एक आम GPU पर चलता है, इसलिए आपकी स्क्रीन मशीन से बाहर नहीं जाती।
स्रोत ↗ - 9OpenCUA-72B (HKU और मूनशॉट एआई)
OSWorld-Verified पर 45.0%, खुले स्रोत में सबसे अच्छा (SOTA) — और चूँकि कोड, डेटा और मॉडल सब सार्वजनिक हैं, जाँच की जा सकने वाली पारदर्शिता ही इसकी पहुँच की कहानी है।
स्रोत ↗ - 10Intelligence-Indeed Agent
आधिकारिक OSWorld-Verified सूची के शीर्ष पर 90.19% — एक ऐसा आंकड़ा जिसे उसकी अपनी प्रविष्टि के बाहर लगभग कोई दोहरा नहीं सकता।
स्रोत ↗
Kimi ने क्या देखा
दोनों OSWorld आंकड़े अलग-अलग उत्पादों की बात करते हैं: वही Claude Opus 4.8 OSWorld-Verified पर 83.5% लेता है, पर OSWorld 2.0 के 108 लंबे वर्कफ़्लो पर बाइनरी पूरा होना सिर्फ़ 20.6% है — छोटे कामों के डेमो लगभग सुलझ चुके हैं, कार्यदिवस जितने लंबे काम नहीं।
macOS 27.3 पुराने 'Device Control & Data Access' स्विच को 'System & App Protection Override' और Accessibility में बाँटता है, 'पहले पूछें' का स्तर जोड़ता है, हर ऐप के लिए दायरा, साफ़ चेतावनियाँ 'अपना सारा डेटा पढ़ें, बदलें, मिटाएँ और निर्यात करें', और मेनू-बार संकेतक — पर 27.3 से पहले दी गई हर अनुमति लागू रहती है।
डेस्कटॉप नियंत्रण की सबसे आधुनिक तकनीक अब डाउनलोड की जा सकती है: अलीबाबा ने Max-श्रेणी का चेकपॉइंट खुला स्रोत बनाया (27B संस्करण OSWorld-Verified पर 84.3%), जिससे पहली बार पूरी तरह सैंडबॉक्स्ड, अपनी सर्वर पर चलने वाला शीर्ष स्तर का एजेंट संभव हुआ।
OSWorld-Verified अपनी सीमा पर पहुँच रहा है — शीर्ष मॉडल ~1.1 अंक के भीतर जमा हैं, 72.36% मानव आधार-रेखा से ऊपर; यही वजह है कि OSWorld 2.0 बना, और एजेंटों को आख़िरी बेंचमार्क अंक के बजाय उनकी पहुँच की व्यापकता से आँका जाता है।
🇨🇳 DeepSeek10 स्थान · 4 नोट
वही सवाल, जिसका जवाब अकेले DeepSeek ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1ओपनएआई Operator (2026)
क्लाउड ब्राउज़र सैंडबॉक्स से OSWorld पर 38.1% देता है — स्थानीय डिस्क या Accessibility अनुमति लगभग नहीं चाहिए।
स्रोत ↗ - 2Manus (मेटा) डेस्कटॉप एजेंट (2026)
रूट पहुँच वाले क्लाउड VM में चलता है, इसलिए इसका OSWorld 72.5% स्कोर आपकी Mac की डिस्क सौंपे बिना आता है।
- 3Claude कंप्यूटर यूज़ (Claude Fable 5 / Opus 5 के ढांचे पर, 2026)
OSWorld-Verified पर 85%, सिर्फ़ Accessibility और Screen Recording के साथ — Full Disk Access नहीं — और macOS 27.3 में हर ऐप के लिए override स्तर।
स्रोत ↗ - 4कोस्टी CUA v1 (2026)
OSWorld-Verified पर 82.81% सत्यापित, जबकि स्क्रीन रिकॉर्डिंग और Accessibility माँगता है — Full Disk Access नहीं।
स्रोत ↗ - 5Qwen3.8 Max एजेंट (अलीबाबा, 2026)
OSWorld-Verified पर 86.1% — सूची में सबसे ऊँचा — पर एजेंट की स्थानीय अनुमति-छाप सार्वजनिक रूप से विस्तार से नहीं बताई गई है।
स्रोत ↗ - 6Agent S3 (सिमुलर, 2026)
OSWorld पर 72.6% — मानव आधार-रेखा से ऊपर — एक खुले स्रोत के हार्नेस में, जो Accessibility और Screen Recording के साथ चलता है।
स्रोत ↗ - 7UiPath स्क्रीन एजेंट (Claude Opus 4.5, 2026)
जनवरी 2026 में OSWorld-Verified पर 67.1% — सम्मानजनक, पर यह डेस्कटॉप के पूरे UI ऑटोमेशन नियंत्रण की माँग करता है।
- 8Gemini 3.6 Flash एजेंट (गूगल, 2026)
OSWorld-Verified पर 83%, पर एजेंट हार्नेस की पहुँच का ब्योरा सार्वजनिक रूप से दर्ज नहीं है।
स्रोत ↗ - 9Kimi K3 एजेंट (मूनशॉट एआई, 2026)
8 नवंबर 2026 तक OSWorld-Verified पर 84.8% — कार्य में सफलता ऊँची, पर स्थानीय अनुमति की माँग साफ़ नहीं।
- 10UI-TARS-2 (बाइटडांस, 2026)
OSWorld पर 47.5% और WindowsAgentArena पर 50.6% — मूल GUI नियंत्रण, पर इसे स्क्रीन और इनपुट की अनुमतियाँ चाहिए।
DeepSeek ने क्या देखा
नतीजों के बदले पहुँच का फ़ासला बहुत बड़ा है: Operator, Claude Fable 5 की तुलना में OSWorld सफलता में 47 प्रतिशत अंक पीछे है (38.1% बनाम 85%), पर आपकी स्थानीय डिस्क को कभी नहीं छूता; जबकि Claude 85% तक पहुँचने के लिए सिर्फ़ Accessibility और Screen Recording चाहता है — Full Disk Access नहीं।
OSWorld 2.0 सबको नीचे लाता है: सबसे अच्छा बाइनरी पूरा होना 44.33% है (Claude Opus 5, अधिकतम मेहनत, batch tool), जबकि उसी परिवार का OSWorld-Verified पर स्कोर 85% है। लंबी अवधि का खेल अलग है।
macOS 27.3 पहुँच का सवाल साफ़ कर देता है: Full Disk Access को बाँटकर दायरे में रखा जा रहा है, और System & App Protection Override को मेनू-बार संकेतक के साथ अपना अलग स्तर मिलता है — इसलिए जो एजेंट सिर्फ़ 'केवल' Accessibility माँगता है, वह अब उस एजेंट से साफ़ अलग दिखता है जो override नियंत्रण चाहता है।
Coasty का 82.81% सत्यापित स्कोर ज़्यादातर व्यावसायिक एजेंटों से ऊँचा है और शीर्ष मॉडल स्कोर के करीब है, पर इसकी OSWorld 2.0 की कोई प्रकाशित पंक्ति नहीं है — यह दिखाता है कि लंबी अवधि वाला बेंचमार्क कितनी असमान गति से अपनाया जा रहा है।
🇨🇳 Wenxin10 स्थान · 1 नोट
वही सवाल, जिसका जवाब अकेले Wenxin ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1एप्पल का अपना macOS AI एजेंट (2027 की शुरुआत का बिल्ड)
डिज़ाइन से ही तीसरे पक्ष को डेटा निकालने की गुंजाइश शून्य, मूल सैंडबॉक्स्ड संचालन, और एप्पल के अपने अनुमति-ढांचे के बाहर कोई बाहरी अनुमति नहीं चाहिए
स्रोत ↗ - 2ओपनएआई Agents API (2026 बीटा)
डेवलपरों में कुल अपनाने की दर 74%, ओपनएआई-होस्टेड या अपने सर्वर वाले रनटाइम विकल्पों के साथ पूरा सैंडबॉक्स समर्थन
- 3पर्प्लेक्सिटी Computer (2026)
100+ समानांतर सब-एजेंट का संचालन, असली फ़ाइल-सिस्टम और ब्राउज़र वाला अलग कंप्यूट माहौल, डेस्कटॉप पर पूरी रूट पहुँच की ज़रूरत नहीं
- 4Sai AI एजेंट (2026)
3 वर्कफ़्लो रन के बाद GUI ऑटोमेशन की लागत औसतन 40% घटती है; मुफ़्त योजना में रोज़ सीमित क्लाउड Windows/Linux सैंडबॉक्स क्रेडिट
- 5एंथ्रोपिक Claude कंप्यूटर यूज़ एजेंट (2026)
डेवलपरों में कुल उपयोग 75%, ओपनएआई के बराबर; 49% डेवलपर अगले साल इसके साथ काम करने की योजना बनाते हैं, उद्योग में आगे के इरादे में सबसे ऊँचा
- 6मेटा Muse एजेंट (2026)
खुले स्रोत वाला, मूल रूप से सभी प्लेटफ़ॉर्म पर डेस्कटॉप समर्थन; स्थानीय कार्य चलाने के लिए क्लाउड पर डेटा साझा करना अनिवार्य नहीं
स्रोत ↗ - 7ओपनएआई Codex एजेंट (2026)
8% डेवलपर इसे अपना सबसे पसंदीदा औज़ार बताते हैं, 17.6% अगली बार इसे इस्तेमाल करने की योजना रखते हैं, दुनिया में आगे अपनाने के इरादे में तीसरा सबसे ऊँचा
- 8OpenCode (2026)
खुले स्रोत का शीर्ष कोडिंग डेस्कटॉप एजेंट; 7% डेवलपर इसे सबसे पसंदीदा मानते हैं, खुले स्रोत डेवलपर समुदाय में अगली बार इस्तेमाल का इरादा 11.7%
- 9पर्प्लेक्सिटी Personal Computer Mac ऐप (2026)
एजेंट का संचालन सीधे आपके Mac पर ले जाता है, Mac mini पर लगातार 24 घंटे चलने के लिए अनुकूलित
- 10ओपनएआई Agents SDK (2026 बीटा)
उपयोगकर्ता के अपने ऐप के भीतर पूरा कस्टम लूप नियंत्रण, ओपनएआई-होस्टेड रनटाइम का अनिवार्य बंधन नहीं
Wenxin ने क्या देखा
एप्पल का आने वाला अपना Mac AI एजेंट macOS 27.3 के नए अनुमति-ढांचे के तहत मूल रूप से चलेगा, और उसे स्थायी पूरी डिस्क, स्क्रीन रिकॉर्डिंग या Accessibility पहुँच नहीं चाहिए, जो आज सभी तीसरे पक्ष के एजेंटों को माँगनी पड़ती है
🇨🇳 Qwen10 स्थान · 3 नोट
वही सवाल, जिसका जवाब अकेले Qwen ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Qwen3.8 Max
OSWorld-Verified पर 86.1% — अब तक का सबसे ऊँचा सत्यापित डेस्कटॉप स्कोर — और टूल-अनुमतियों पर बारीक नियंत्रण भी देता है।
स्रोत ↗ - 2Claude Opus 5.5
कठिन OSWorld 2.0 के 108 कार्यों वाले लंबी अवधि के परीक्षण में 81% पार करने वाला अकेला एजेंट।
स्रोत ↗ - 3Claude Fable 5
असली डेस्कटॉप कार्यों पर 85.0% तक पहुँचता है, पर पूरी स्क्रीन-रिकॉर्डिंग और Accessibility override पर निर्भर है।
स्रोत ↗ - 4कोस्टी
85.6% सत्यापित के साथ करीबी दूसरा, जो ख़ास तौर पर कंप्यूट और पहुँच की छाप घटाने के लिए अनुकूलित है।
स्रोत ↗ - 5Kimi K3
OSWorld-Verified पर 84.8% हासिल करता है, और एक ब्राउज़र-सैंडबॉक्स्ड मोड देता है जो पूरी डिस्क पहुँच को बाईपास करता है।
स्रोत ↗ - 6Claude Fable 5.1
OSWorld 2.0 पर 77.9% स्कोर करता है, यह दिखाते हुए कि Mac का पूरा नियंत्रण मिलने पर यह घंटों लंबे वर्कफ़्लो चला सकता है।
स्रोत ↗ - 7Qwen3.8-27B
खुले-वेट संस्करण स्थानीय रूप से 84.3% तक पहुँचता है, पर Accessibility और Full Disk Access के लिए उपयोगकर्ता की साफ़ मंज़ूरी माँगता है।
स्रोत ↗ - 8सिमुलर का Sai
OSWorld 2.0 पर 73% हासिल करता है, लंबी अवधि के पेशेवर कार्यों और सख़्त स्थानीय सैंडबॉक्सिंग में संतुलन रखते हुए।
स्रोत ↗ - 9GPT-6 Astra
OSWorld 2.0 पर 72.6% तक पहुँचता है, पर इसका क्लाउड-पहले ढांचा का मतलब है कि आपकी स्थानीय मशीन सिर्फ़ स्क्रीन-शेयर की अनुमति देती है।
स्रोत ↗ - 10GPT-6.1 Sol
OSWorld 2.0 पर 71.4% स्कोर करता है, जटिल डेस्कटॉप स्थितियों में चलने के लिए macOS 27.3 का पूरा override स्तर माँगता है।
स्रोत ↗
Qwen ने क्या देखा
एप्पल का macOS 27.3 अब AI एजेंटों को संवेदनशील फ़ोल्डरों तक जाने से पहले हर बार अनुमति माँगने पर मजबूर करता है, पुराने 'एक बार सेट करो और भूल जाओ' वाले पूरी डिस्क पहुँच मॉडल को तोड़ते हुए।
एजेंट अब OSWorld-Verified पर 72.36% मानव आधार-रेखा पार कर चुके हैं, यानी आम डेस्कटॉप क्लिक के काम में AI औसत इंसानों से आधिकारिक तौर पर तेज़ और ज़्यादा सटीक है।
OSWorld 2.0 के लंबे कार्यों में औसतन 250 से ज़्यादा एजेंट-चरण लगते हैं, जिससे दिखता है कि GPT-6 Astra जैसे शीर्ष मॉडल भी एक घंटे के काम में संदर्भ बनाए रखने में संघर्ष करते हैं।