今日のトレンドに戻る: アップルは、あなたに代わってMacを使えるAIアシスタントを開発しています
Poly ランキング · 今日のトレンドから

パソコンを操作するAIエージェント ベスト 2026

Claudeのコンピューター操作は、画面収録とアクセシビリティの権限だけで実際のデスクトップ作業の85.96%を完了させます。一方、OpenClawはフルディスクアクセスを求めており、スコアは一切公表していません。

  • 1位:Qwen3.8 Max(アリババ)
  • 10 位まで

01最終リスト

主要なAIがそれぞれ独立して 10 位までのリストを作りました。確認しやすい 1 つの結果です。各順位に理由、出典、その項目を入れた AI の一覧があります。

並び順:AIの合意が多い順です。

明るいバッジは、その AI がこの項目を自分のリストに入れたことを示します。薄いバッジは入れなかったことを示します。

  1. 1

    Qwen3.8 Max(アリババ)

    掲載されているOSWorld-Verifiedの最高スコアは86.1%ですが、報告しているのはアリババだけです。スティールによると、テストされたビジョンモデルはまだ公開されていないため、自分のサンドボックスではまだ実行できません。

    選んだ AI: Claude, ChatGPT, Meta, Grok, MiMo, Kimi, DeepSeek, Qwen. 選ばなかった AI: Gemini, Wenxin.

    各 AI のリストでの順位: Claude: 5 · ChatGPT: 1 · Meta: リストを見る · Grok: 3 · MiMo: 5 · Kimi: 2 · DeepSeek: 5 · Qwen: 1

    各 AI の指摘 8
    • Claude5 位

      OSWorld-Verifiedの公表数値(86.1%)は一覧で最高ですが、重みは確認されておらず、スコアはベンダーの公表値のみです。

      出典 ↗
    • ChatGPT1 位

      OSWorld-Verifiedの現行モデル表では86.1%が首位ですが、公表された行にはエージェントの構成が明記されていません。

      出典 ↗
    • Meta

      この AI のリストでは別の名前です。リスト全体を開いてください。

      リストを見る
    • Grok3 位

      オープンウェイトで検証済み86.1%。多くの集計サイトで首位です。

      出典 ↗
    • MiMo5 位

      デスクトップの成績表で86.1%と首位です。ただし、オープンと表示されていますが、試験された視覚モデルはオープンではありません。

      出典 ↗
    • Kimi2 位

      OSWorld-Verifiedで86.1%。重みはダウンロードでき(27Bのチェックポイントは84.3%)、首位のデスクトップ結果でも、お使いのマシンへのアクセスは不要です。

      出典 ↗
    • DeepSeek5 位

      OSWorld-Verifiedで86.1%。公開されている中で最高ですが、このエージェントのローカルでの権限の範囲は公表されていません。

      出典 ↗
    • Qwen1 位

      OSWorld-Verifiedで86.1%。検証済みのデスクトップスコアとしてこれまでで最高で、ツールごとの細かな権限設定にも対応します。

      出典 ↗
    8つのAIがここに選出
  2. 2

    Claudeのコンピューター操作(Anthropic:Claude Code、Cowork)

    主流のエージェントとして公式に実行されたスコアの中で最高の85.96%。必要な権限は画面収録とアクセシビリティだけで、フルディスクアクセスは不要です。注記は、7月のSharedRootサンドボックス脱出の件です。

    選んだ AI: Claude, ChatGPT, Meta, Grok, MiMo, Kimi, DeepSeek, Qwen. 選ばなかった AI: Gemini, Wenxin.

    各 AI のリストでの順位: Claude: 1 · ChatGPT: 2 · Meta: 1 · Grok: 10 · MiMo: 1 · Kimi: 6 · DeepSeek: 3 · Qwen: 3

    各 AI の指摘 8
    • Claude1 位

      OSWorld-Verifiedで85.0%、OSWorld 2.0では部分達成66.1%を記録。設定はスクリーン収録とアクセシビリティで、フルディスクアクセスは不要です。

      出典 ↗
    • ChatGPT2 位

      85%は首位のスコアとの差が1.1ポイントで、ベンチマーク表ではこの結果をAnthropicによるものとしています。

      出典 ↗
    • Meta1 位

      Fable 5はOSWorld-Verifiedで85.96%、Opus 5.5はOSWorld 2.1の部分達成で81.8%です。既定ではクラウドのサンドボックスで動き、ディスク全体へのアクセスは既定ではありません。

      出典 ↗
    • Grok10 位

      セッション単位のアクセシビリティ+画面収録で、アプリごとに承認を求めます。

      出典 ↗
    • MiMo1 位

      ここで唯一、コマンドを檻の中で実行するエージェントです。その檻のおかげで、権限の確認が84%減りました。

      出典 ↗
    • Kimi6 位

      同じスタックの一般向け版です。アプリごとに許可を求め、銀行アプリや健康関連アプリでの利用は控えるよう勧めています。デスクトップアプリを開いている間だけ、お使いのパソコンに触れます。

      出典 ↗
    • DeepSeek3 位

      OSWorld-Verifiedで85%。アクセシビリティと画面収録だけで、フルディスクアクセスは不要です。macOS 27.3のアプリごとの上書き階層もあります。

      出典 ↗
    • Qwen3 位

      実際のデスクトップタスクで85.0%を記録しますが、画面収録とアクセシビリティの全面的な上書きに頼っています。

      出典 ↗
    8つのAIがここに選出
  3. 3

    OpenAI ChatGPTエージェント / Codexのコンピューター操作

    モードによって必要な権限が異なります。クラウド版のChatGPTエージェントはデスクトップを一切見ませんが、Macで動くCodexは画面収録とアクセシビリティが必要です。GPT-5.5はOSWorld-Verifiedで78.7%です。

    選んだ AI: Claude, Meta, Grok, MiMo, Kimi, DeepSeek, Qwen. 選ばなかった AI: ChatGPT, Gemini, Wenxin.

    各 AI のリストでの順位: Claude: リストを見る · Meta: 2 · Grok: 8 · MiMo: 3 · Kimi: 4 · DeepSeek: 1 · Qwen: リストを見る

    各 AI の指摘 7
    • Claude

      この AI のリストでは別の名前です。リスト全体を開いてください。

      リストを見る
    • Meta2 位

      GPT-5.5はOSWorld-Verifiedで78.7%、GPT-5.6 SolはOSWorld 2.0の部分達成で62.6%です。エージェントはOpenAIのサンドボックスで動き、既定ではあなたのデスクトップを見ません。

      出典 ↗
    • Grok8 位

      初期のOSWorldは38.1%。その後、サンドボックス化した仮想コンピューターを使うようになり、ローカルで全面的な操作権限を持つ必要が減りました。

      出典 ↗
    • MiMo3 位

      新しいコンピューター操作の頭脳として最も強力で、コストは3分の1。安全性カードには職場での事故例も載っています。

      出典 ↗
    • Kimi4 位

      ご自身のMacで動く最も有能なネイティブエージェント(OSWorld-Verifiedで75%)ですが、必要な権限も最も多いです。画面収録、アクセシビリティ、アプリごとの承認に加え、一時的にMacのロックを解除できるオプトインの「Locked Use」モードもあります。

      出典 ↗
    • DeepSeek1 位

      クラウドのブラウザサンドボックスからOSWorldで38.1%。ローカルのディスクやアクセシビリティ権限はほぼ不要です。

      出典 ↗
    • Qwen

      この AI のリストでは別の名前です。リスト全体を開いてください。

      リストを見る
    7つのAIがここに選出
  4. 4

    シミュラーSai(Agent S)

    Macではなくクラウドのデスクトップで動かせます。OSWorld 2.0では部分達成73%と主張していますが、ジョブを完全に終えたのは28.25%だけです。シミュラーはベンチマークの共同執筆者であり、結果も自ら報告しています。

    選んだ AI: Claude, Meta, Grok, MiMo, Kimi, DeepSeek, Qwen. 選ばなかった AI: ChatGPT, Gemini, Wenxin.

    各 AI のリストでの順位: Claude: 6 · Meta: 3 · Grok: 4 · MiMo: 7 · Kimi: 7 · DeepSeek: 6 · Qwen: 8

    各 AI の指摘 7
    • Claude6 位

      OSWorld 2.0ではタスク1件あたり15.70ドルかかり、完全達成率は28.25%です。

      出典 ↗
    • Meta3 位

      部分達成は73%ですが、完全達成は28.25%にとどまり、この一覧で部分達成と完了の差が最も大きいモデルです。

      出典 ↗
    • Grok4 位

      OSWorld 2.0/2.1で報告された部分達成は最高(約73〜79%)で、純粋なフロンティアモデルより低いコストです。

      出典 ↗
    • MiMo7 位

      仕事単位で販売されており、完了したタスク1件あたり15.70ドル。結果に値札がついている唯一のエージェントです。

      出典 ↗
    • Kimi7 位

      OSWorldで69.9%。人間の基準値から2.5ポイント以内です。オープンなフレームワークで、Behavior Best-of-Nは追加の権限ではなく、追加の試行で点数を稼ぎます。

      出典 ↗
    • DeepSeek6 位

      OSWorldで72.6%。人間の基準値を上回っています。アクセシビリティと画面収録で動くオープンソースのハーネスです。

      出典 ↗
    • Qwen8 位

      OSWorld 2.0で73%。長時間のプロフェッショナルなタスクと、厳格なローカルのサンドボックス化を両立させています。

      出典 ↗
    7つのAIがここに選出
  5. 5

    Mac向けGeminiコンピューター操作(グーグル)

    Google発表のOSWorld-Verifiedスコアは83%。別ウィンドウで作業し、選んだアプリだけを操作し、重要な操作の前には確認を求めます。ただしレビュアーは、埋め込まれたテキストによって誘導されうると警告しています。

    選んだ AI: Claude, ChatGPT, Meta, MiMo, Kimi, DeepSeek. 選ばなかった AI: Grok, Gemini, Wenxin, Qwen.

    各 AI のリストでの順位: Claude: 7 · ChatGPT: リストを見る · Meta: 5 · MiMo: 2 · Kimi: 3 · DeepSeek: 8

    各 AI の指摘 6
    • Claude7 位

      別ウィンドウで動作しますが、グーグル自身のドキュメントが、アプリをまたぐプロンプトインジェクションについて警告しています。

      出典 ↗
    • ChatGPT

      この AI のリストでは別の名前です。リスト全体を開いてください。

      リストを見る
    • Meta5 位

      OSWorld-Verifiedで83.0%。2026年11月19日に公開されました。アップルの自社製macエージェントが報じられたのと同じ日です。

      出典 ↗
    • MiMo2 位

      後から来た参加者ですが、アプリに触れる前に途中経過を見せる唯一の存在です。

      出典 ↗
    • Kimi3 位

      OSWorld-Verifiedで78.4%、「full: you run the environment」(実行環境は利用者側)。サンドボックスがご自身のものなので、このエージェントにはMacの権限画面が付いていません。

      出典 ↗
    • DeepSeek8 位

      OSWorld-Verifiedで83%ですが、このエージェントのハーネスの権限プロファイルは公開されていません。

      出典 ↗
    6つのAIがここに選出
  6. 6

    Holo3 / Holo4(H Company)

    ベンチマークチームが自ら実行した最高スコアは82.6%です。3Bのアクティブパラメータを持つオープンウェイトモデルによるもので、サンドボックスは自分で選べます。Holo4-27Bは85.2%と主張していますが、研究用途のみです。

    選んだ AI: Claude, ChatGPT, Meta. 選ばなかった AI: Grok, Gemini, MiMo, Kimi, DeepSeek, Wenxin, Qwen.

    各 AI のリストでの順位: Claude: 3 · ChatGPT: 7 · Meta: 4

    各 AI の指摘 3
    • Claude3 位

      第三者が独自に実行したOSWorld-Verifiedの首位(82.6%)は、有効パラメータ3Bだけのモデルによるものです。

      出典 ↗
    • ChatGPT7 位

      82.6%は、この上位10件の中で第三者が独自に実行して得た最も強い結果です。コンピューター操作に特化したモデルです。

      出典 ↗
    • Meta4 位

      OSWorldで85.2%(27B)、1タスクあたり0.08ドルです。ドルあたりのスコアは最も高いものの、27Bの版は研究用に限られます。

      出典 ↗
    3つのAIがここに選出
  7. 7

    メタ Muse Spark / metacua

    公式のOSWorld-Verifiedランキングで80.67%。しかしmetacuaは既定ではサンドボックスなしで、実際のMacを操作します。Museの事件が、Appleによる新しい警告を促す一因になりました。

    選んだ AI: Claude, Meta, MiMo. 選ばなかった AI: ChatGPT, Grok, Gemini, Kimi, DeepSeek, Wenxin, Qwen.

    各 AI のリストでの順位: Claude: 9 · Meta: 6 · MiMo: リストを見る

    各 AI の指摘 3
    • Claude9 位

      OSWorld 2.0の完全達成スコア(32.0%)は一覧で最高ですが、部分達成は66.9%と低めです。

      出典 ↗
    • Meta6 位

      OSWorld-Verifiedで80.67%ですが、実際のお使いのパソコンを操作します。アクセスの代償はサンドボックスではなく、パソコン全体です。

      出典 ↗
    • MiMo

      この AI のリストでは別の名前です。リスト全体を開いてください。

      リストを見る
    3つのAIがここに選出
  8. 8

    Manus

    タスクごとに専用のクラウドVMが割り当てられるため、Macへのアクセスは不要です。OSWorldの72.5%という数字は一つの市場レポートだけが出典で、公式ランキングには載っていないため、目安として扱ってください。

    選んだ AI: Meta, DeepSeek. 選ばなかった AI: Claude, ChatGPT, Grok, Gemini, MiMo, Kimi, Wenxin, Qwen.

    各 AI のリストでの順位: Meta: 8 · DeepSeek: 2

    各 AI の指摘 2
    • Meta8 位

      タスクごとに完全に隔離されたクラウドVMを使い、ゼロトラストをうたっています。サンドボックスは堅牢ですが、作業を裏付けるOSWorldの公表スコアがありません。

      出典 ↗
    • DeepSeek2 位

      ルート権限のあるクラウドVMで動くため、OSWorldの72.5%は、Macのディスクを渡さずに得られた結果です。

    2つのAIがここに選出
  9. 9

    パープレキシティ Personal Computer(Comet)

    Macの主要な権限3つすべてを求めます。フルディスクアクセスも含みます。承認の確認ポイントはありますが、得られるものを示すOSWorldの公表スコアはありません。

    選んだ AI: Meta, Wenxin. 選ばなかった AI: Claude, ChatGPT, Grok, Gemini, MiMo, Kimi, DeepSeek, Qwen.

    各 AI のリストでの順位: Meta: 9 · Wenxin: 9

    各 AI の指摘 2
    • Meta9 位

      お使いの実際のMacで、アクセシビリティ、画面収録、フルディスクアクセスを求めます。ローカル権限の要求は最も多く、OSWorldのスコアはなく、公開されたセキュリティ事故が2件あります。

      出典 ↗
    • Wenxin9 位

      エージェントの連携を、ローカルのMacハードウェアに直接広げます。Mac miniでの導入に合わせて、24時間稼働に最適化されています。

    2つのAIがここに選出
  10. 10

    OpenClaw(旧Moltbot / Clawdbot)

    最も多くのアクセスを求めながら、最も証拠が少ないです。ターミナルへのフルディスクアクセスに加え、アクセシビリティと画面収録が必要です。実際のMacをサンドボックスなしで操作でき、OSWorldスコアもありません。

    選んだ AI: Claude, Meta. 選ばなかった AI: ChatGPT, Grok, Gemini, MiMo, Kimi, DeepSeek, Wenxin, Qwen.

    各 AI のリストでの順位: Claude: 10 · Meta: 10

    各 AI の指摘 2
    • Claude10 位

      公式ドキュメントでmacOSの権限要件を明記しており、公開オプションの中では最も透明性が高いと言えます。ただし、独自のベンチマークスコアはありません。

      出典 ↗
    • Meta10 位

      権限は最大限です。ターミナルへのフルディスクアクセス、アクセシビリティ、画面収録を求めますが、それを正当化する公表済みのOSWorldスコアはありません。

      出典 ↗
    2つのAIがここに選出

トップ3をもっと詳しく ↓

02知っておきたいこと

AI がリストを作る中で気づいたこと。

macOS 27.3は、従来のデバイス制御の設定を「システムとアプリの保護の上書き」とアクセシビリティに分けました。毎回確認するオプションとメニューバーのインジケーターを追加しましたが、27.3より前に許可された権限は有効のままです。

気づいた AI:
選んだ AI: Claude, ChatGPT, Meta, Kimi, DeepSeek. 選ばなかった AI: Grok, Gemini, MiMo, Wenxin, Qwen.
出典 ↗

OSWorld-Verifiedの公式1位はIntelligence-Indeed Agentで90.19%です。自己申告によるもので、必要なアクセスについては何も公表されていません。

気づいた AI:
選んだ AI: Meta, Grok, MiMo, Kimi. 選ばなかった AI: Claude, ChatGPT, Gemini, DeepSeek, Wenxin, Qwen.
出典 ↗

推論の設定(effort)を変えるだけで、Claude Opus 5のOSWorld 2.0での完了率(二値)は18.81%から44.33%に上がります。

気づいた AI:
選んだ AI: MiMo. 選ばなかった AI: Claude, ChatGPT, Meta, Grok, Gemini, Kimi, DeepSeek, Wenxin, Qwen.
出典 ↗

グーグルのMac向けGeminiコンピューター操作は2026年11月19日に公開されました。同じ日、Appleが早ければ2027年後半にも独自のMacエージェントを開発していると報じられました。

気づいた AI:
選んだ AI: Claude, Meta. 選ばなかった AI: ChatGPT, Grok, Gemini, MiMo, Kimi, DeepSeek, Wenxin, Qwen.
出典 ↗

03集計方法

数式なしで、やさしい言葉で。

1質問

パソコンを操作するAIエージェント トップ10:性能と求めるアクセス権限の比較

2このテーマを選んだ理由

読者は、ベンチマークの結果と、アクセス権限という代償の大きさを並べて見られます。最も強いエージェントが、必ずしもMacの権限を最も少なく必要とするわけではないことが分かります。

3対象範囲

世界。デスクトップ(Mac、Windows、Linux)を操作するAIエージェント。デスクトップアプリとブラウザを含む

4評価の観点

  • OSWorld-Verified(実際のデスクトップ作業)でのタスク完了スコア。検証したモデル、エージェントの設定、ベンチマークのバージョンを明記
  • より難しいOSWorld 2.0の長時間作業でのスコア。OSWorld-Verifiedとは混ぜず、別に示す
  • エージェントの設定が求めるシステムアクセスの広さ:フルディスクアクセス、画面収録、アクセシビリティ操作、macOS 27.3の上書きレベル
  • エージェントがサンドボックス内で動けるか、または毎回許可を求めるモードで動けるか
  • OSWorld-Verified公式ランキング(OSWorldチーム)— 実際のデスクトップ作業のうち、最終的なアプリまたはファイルの状態で確認して完了した割合。OSWorldチームが100ステップでこれらの行を自ら実行
  • BenchLM OSWorld-Verifiedトラッカー — 36モデル。各モデルは、ベンダー報告かOSWorld-Verifiedによる実行かで区別
  • OSWorld 2.0 / 2.1(スノーケルAI、スティール)— 108の長時間ワークフローでの部分完了と厳密な二値の完了。独自の尺度で、OSWorld-Verifiedとは混ぜない
  • macOS 27.3の権限モデル(MacRumors)— アプリが要求する権限の段階:毎回確認、アクセシビリティ、フルディスクアクセス、システムとアプリの保護の上書き

5順位をつけた AI

主要なAI:Claude, ChatGPT, Meta, Grok, Gemini, MiMo, Kimi, DeepSeek, Wenxin, Qwen。それぞれが独自に10位までのリストを作り、各順位に出典を示しました。

6順位の決め方

AI ごとに表現が違っても同じ項目は一つとして数えました。より多くの AI がリストに入れ、より上位に置いた項目ほど順位が高くなります。「AI の一致」は、その項目を自分のリストに入れた AI の数を示します。出典は AI 自身が見つけたものだけで、手作業での追加はありません。

04各 AI のリスト

🇺🇸 Claude10 位まで · メモ 4 件

同じ質問に Claude だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    Claude Fable 5(Anthropicのコンピューター操作、2026年)

    OSWorld-Verifiedで85.0%、OSWorld 2.0では部分達成66.1%を記録。設定はスクリーン収録とアクセシビリティで、フルディスクアクセスは不要です。

    出典 ↗
  2. 2
    Claude Opus 5(Anthropic、2026年)

    OSWorld 2.0の結果はスノーケルAIが独自に再現しており(完全達成31.43%)、GUIテストでのプロンプトインジェクション率は公表値の中で最も低い0.54%です。

    出典 ↗
  3. 3
    Holo3(H Company、35B-A3B)

    第三者が独自に実行したOSWorld-Verifiedの首位(82.6%)は、有効パラメータ3Bだけのモデルによるものです。

    出典 ↗
  4. 4
    GPT-6 Astra(OpenAI)

    OSWorld 2.0のオフラインサブセットの数値では、OpenAIのモデルの中で部分達成72.6%と最高ですが、私が確認できた範囲では、OpenAIは対応するOSWorld-Verifiedの数値を公表していません。

    出典 ↗
  5. 5
    Qwen3.8-Max(アリババ)

    OSWorld-Verifiedの公表数値(86.1%)は一覧で最高ですが、重みは確認されておらず、スコアはベンダーの公表値のみです。

    出典 ↗
  6. 6
    シミュラー Sai

    OSWorld 2.0ではタスク1件あたり15.70ドルかかり、完全達成率は28.25%です。

    出典 ↗
  7. 7
    Mac向けGeminiのコンピューター操作(グーグル、2026年)

    別ウィンドウで動作しますが、グーグル自身のドキュメントが、アプリをまたぐプロンプトインジェクションについて警告しています。

    出典 ↗
  8. 8
    Claude Sonnet 5(Anthropic)

    中位モデルながら、主力モデルと同じ2つの権限設定で、OSWorld-Verifiedで81.2%を記録しています。

    出典 ↗
  9. 9
    Muse Spark 1.3(メタ)

    OSWorld 2.0の完全達成スコア(32.0%)は一覧で最高ですが、部分達成は66.9%と低めです。

    出典 ↗
  10. 10
    OpenClaw(オープンソースのMac向けエージェント)

    公式ドキュメントでmacOSの権限要件を明記しており、公開オプションの中では最も透明性が高いと言えます。ただし、独自のベンチマークスコアはありません。

    出典 ↗

Claude が気づいたこと

OSWorld 2.0では、第三者による完全達成の最高値(約31%)が、ベンダーの示す部分達成66〜78%よりずっと低く、どの指標を使うかで評価が大きく変わります。

OSWorld-Verifiedの上位モデルは互いに約1ポイント以内に並んでおり、このベンチマークが頭打ちに近づいていることを示しています。

macOS 27.3では、従来の包括的な権限が「システムとアプリの保護の上書き」とアクセシビリティに分けられ、ユーザーは毎回確認を求める設定もできるようになります。

アップルがmacを操作するAIエージェントを自社開発するため人材を採用していると報じられており、2027年末にも発表される可能性があります。

🇺🇸 ChatGPT10 位まで · メモ 2 件

同じ質問に ChatGPT だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    Qwen3.8 Max(2026年)

    OSWorld-Verifiedの現行モデル表では86.1%が首位ですが、公表された行にはエージェントの構成が明記されていません。

    出典 ↗
  2. 2
    Claude Fable 5(2026年)

    85%は首位のスコアとの差が1.1ポイントで、ベンチマーク表ではこの結果をAnthropicによるものとしています。

    出典 ↗
  3. 3
    Claude Mythos 5(2026年)

    85%は2位と並んでいます。公表された数値からは、どのエージェントの構成でこの結果が出たのかはわかりません。

    出典 ↗
  4. 4
    Qwen3.8-27B(2026年)

    84.3%は、首位のQwen3.8 Maxの結果との差が2ポイント未満です。

    出典 ↗
  5. 5
    Claude Opus 4.8(2026年)

    より短いベンチマークでの83.4%に対し、OSWorld 2.0では完全達成がわずか20.6%です。

    出典 ↗
  6. 6
    Gemini 3.6 Flash(2026年)

    83%は提供元の公表値で、表には同じ条件での製品比較ができるほどの設定情報がありません。

    出典 ↗
  7. 7
    Holo3-35B-A3B(2026年)

    82.6%は、この上位10件の中で第三者が独自に実行して得た最も強い結果です。コンピューター操作に特化したモデルです。

    出典 ↗
  8. 8
    MiMo-V2.6-Pro(2026年)

    82%で上位8位以内に入っていますが、結果は提供元の公表値で、エンドユーザーのエージェントによる試行が公開されたものではありません。

    出典 ↗
  9. 9
    Claude Sonnet 5(2026年)

    81.2%は次点のモデルを0.4ポイント上回っていますが、公表された行にはエージェントの構成が載っていません。

    出典 ↗
  10. 10
    MiMo-V2.6-Flash(2026年)

    80.8%で上位10件を締めくくり、首位の結果より5.3ポイント低くなっています。

    出典 ↗

ChatGPT が気づいたこと

82.6%のHolo3-35B-A3Bの行は、OSWorld-Verifiedによる実行と記されています。ただ、より高い数値の行の大半は提供元の公表値なので、上位の並び順は統一された第三者による比較ではありません。

macOS 27.3では、リクエストごとに許可を選べる設定が加わり、アクセシビリティと「システムとアプリの保護の上書き」が分けられました。アップルによると、以前に与えられたアプリの権限はそのまま有効です。

🇺🇸 Meta10 位まで · メモ 3 件

同じ質問に Meta だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    Claude Cowork(Anthropic、2026年)

    Fable 5はOSWorld-Verifiedで85.96%、Opus 5.5はOSWorld 2.1の部分達成で81.8%です。既定ではクラウドのサンドボックスで動き、ディスク全体へのアクセスは既定ではありません。

    出典 ↗
  2. 2
    OpenAI ChatGPT agent(GPT-5.6 Sol、2026年)

    GPT-5.5はOSWorld-Verifiedで78.7%、GPT-5.6 SolはOSWorld 2.0の部分達成で62.6%です。エージェントはOpenAIのサンドボックスで動き、既定ではあなたのデスクトップを見ません。

    出典 ↗
  3. 3
    シミュラー Sai(Agent S、2026年)

    部分達成は73%ですが、完全達成は28.25%にとどまり、この一覧で部分達成と完了の差が最も大きいモデルです。

    出典 ↗
  4. 4
    H Company Holo4 コンピューター操作エージェント(2026年)

    OSWorldで85.2%(27B)、1タスクあたり0.08ドルです。ドルあたりのスコアは最も高いものの、27Bの版は研究用に限られます。

    出典 ↗
  5. 5
    Mac向けGoogle Gemini コンピューター操作(Gemini 3.6 Flash、2026年)

    OSWorld-Verifiedで83.0%。2026年11月19日に公開されました。アップルの自社製macエージェントが報じられたのと同じ日です。

    出典 ↗
  6. 6
    メタ Muse / metacua(Muse Spark 1.1、2026年)

    OSWorld-Verifiedで80.67%ですが、実際のお使いのパソコンを操作します。アクセスの代償はサンドボックスではなく、パソコン全体です。

    出典 ↗
  7. 7
    マイクロソフト365 Copilot Researcher(コンピューター操作付き、2026年)

    ここでは最もクリーンなアクセスモデルです。会話ごとに新しいサンドボックスが使われますが、比較できる再現可能なOSWorldスコアがありません。

    出典 ↗
  8. 8
    Manus 2.0(2026年)

    タスクごとに完全に隔離されたクラウドVMを使い、ゼロトラストをうたっています。サンドボックスは堅牢ですが、作業を裏付けるOSWorldの公表スコアがありません。

    出典 ↗
  9. 9
    パープレキシティ Comet Personal Computer(2026年)

    お使いの実際のMacで、アクセシビリティ、画面収録、フルディスクアクセスを求めます。ローカル権限の要求は最も多く、OSWorldのスコアはなく、公開されたセキュリティ事故が2件あります。

    出典 ↗
  10. 10
    OpenClaw(旧Moltbot / Clawdbot、2026年)

    権限は最大限です。ターミナルへのフルディスクアクセス、アクセシビリティ、画面収録を求めますが、それを正当化する公表済みのOSWorldスコアはありません。

    出典 ↗

Meta が気づいたこと

macOS向けのグーグルのコンピューター操作機能は2026年11月19日に公開されました。同じ日、テッククランチが、アップルが2027年末にも発表しうるmac操作AIエージェントを開発していると報じています。

macOS 27.3では、デバイス制御とデータアクセスが「システムとアプリの保護の上書き」とアクセシビリティに分けられ、フォルダごとのフルディスクアクセス、毎回確認するオプション、あるアプリが別のアプリを操作しているときのメニューバーの表示が加わります。

OSWorld-Verifiedの首位は一般向けモデルではありません。Intelligence-Indeed Agentが90.19%を記録し、Claude Fable 5の85.96%を上回りました。モデルの上に載せる構成やフレームワークが、どれほど大きく効くかを示しています。

🇺🇸 Grok10 位まで · メモ 1 件

同じ質問に Grok だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    Intelligence-Indeed Z-Agent / InAgent(2026年)

    OSWorld-Verifiedで90%を超えた最初の検証済みエージェント(90.19%)。

    出典 ↗
  2. 2
    Claude Fable 5 / Mythos 5 のコンピューター操作(Anthropic、2026年)

    検証済みで85%。Anthropicが長時間の部分達成スコアでも首位にいるなか、上位に入っています。

    出典 ↗
  3. 3
    Qwen3.8 Max のコンピューター操作環境(アリババ、2026年)

    オープンウェイトで検証済み86.1%。多くの集計サイトで首位です。

    出典 ↗
  4. 4
    シミュラー Sai(2026年)

    OSWorld 2.0/2.1で報告された部分達成は最高(約73〜79%)で、純粋なフロンティアモデルより低いコストです。

    出典 ↗
  5. 5
    Claude Opus 5 / 5.5 のコンピューター操作(Anthropic、2026年)

    長時間のOSWorld 2.0/2.1で、完全達成と部分達成がトップ(完全達成は最大44%、部分達成は81.8%)。

    出典 ↗
  6. 6
    コースティ CUA(2026年)

    公式の検証済みエントリーで82.81%。実際のデスクトップ操作を重視しています。

    出典 ↗
  7. 7
    Pointer Agent + Opus 4.7(2026年)

    検証済み83.64%。コーディングとGUI操作を組み合わせたハイブリッド方式です。

    出典 ↗
  8. 8
    OpenAI ChatGPT Agent / Operator の系譜(2025–2026年)

    初期のOSWorldは38.1%。その後、サンドボックス化した仮想コンピューターを使うようになり、ローカルで全面的な操作権限を持つ必要が減りました。

    出典 ↗
  9. 9
    マイクロソフト Mage-VL-Cowork 4B(2026年)

    4Bの規模で検証済み66.0%。公表されたなかで最良のコンパクトなハイブリッドGUI+シェル型エージェントです。

    出典 ↗
  10. 10
    Claude Code のコンピューター操作(Anthropic、2026年)

    セッション単位のアクセシビリティ+画面収録で、アプリごとに承認を求めます。

    出典 ↗

Grok が気づいたこと

エージェントはOSWorld-Verifiedで、人間の基準値の約72%を超えることが当たり前になりました。一方、OSWorld 2.0の長時間タスクでは、首位のモデルでも完全達成は50%未満のままです。

🇺🇸 Gemini10 位まで · メモ 1 件

同じ質問に Gemini だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    Anthropic Claude 3.7 Sonnet Computer Use(2025年)

    OSWorld-Verifiedで44.2%を達成しつつ、Docker化された厳格なAPIサンドボックスと、操作ごとに人が承認するフックを備えています。

  2. 2
    バイトダンス UI-TARS-2(2025年)

    OSWorld-Verifiedで53.1%を記録し、クローズドなモデルを上回ります。ルート権限を与えず、クラウドへのテレメトリーも送らずに、一般的なパソコンでローカルに動きます。

    出典 ↗
  3. 3
    Agent S2.5 w/ o3(2025年)

    推論トークンを活用して検証済みのデスクトップタスクで56.4%に到達しますが、踏み込んだアクセシビリティと、生のファイルシステムの読み書き権限が必要です。

  4. 4
    OpenAI Operator(2025年)

    デスクトップのブラウザ支援型OSタスクで46.8%を記録。影響範囲は主にブラウザ操作と隔離されたVMタブに限られています。

  5. 5
    コースティ自律エージェント(2025年)

    OSWorldのタスク完了率は42.1%。内蔵のリモートブラウザとデスクトップのサンドボックスで、ローカルOSを任意のクリックから隔離します。

  6. 6
    OS-Copilot / FRIDAY(2024年)

    自己学習型デスクトップエージェントの先駆けで、OSWorldは35.6%。ただし、無条件のBashルートシェルとフルディスクアクセスが必要です。

  7. 7
    シミュラー AIエージェント(2025年)

    ネイティブのマルチモーダルGUI座標を使い、検証済みベンチマークで38.3%を達成。実行前に確認を求める、厳しめのしきい値を備えています。

  8. 8
    OpenAdapt デスクトップ自動化(2024年)

    画面の状態とユーザーのデモ操作を記録し、デスクトップのワークフローで29.8%に到達。オープンソースのローカルログで透明に動きます。

    出典 ↗
  9. 9
    アデプト ACT-1 / ワークデイ エージェント(2024年)

    企業向けソフトウェアのUI操作の先駆けで、検証済みタスク率は31.2%。生のOSレベルの操作ではなく、ブラウザのDOMラッパーの中に閉じています。

  10. 10
    アップルの試作版Macエージェント(2026年)

    システムレベルのSiriとApp Intentsに組み込み、アップルのmacOS 27.3のネイティブなセキュリティ保護の下で、アプリをまたぐmacのタスクを実行します。

    出典 ↗

Gemini が気づいたこと

アップルの今後のmacOS 27.3では、サードパーティのエージェントが画面収録とアクセシビリティの上書き権限を同時に求めるたびに、厳しい警告ダイアログが表示されます。自律型のデスクトップ用ラッパーに直接の課題を突きつける変更です。

🇨🇳 MiMo10 位まで · メモ 4 件

同じ質問に MiMo だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    Claude Code(Anthropic、2026年)

    ここで唯一、コマンドを檻の中で実行するエージェントです。その檻のおかげで、権限の確認が84%減りました。

    出典 ↗
  2. 2
    Mac向けGeminiのコンピューター操作(グーグル、2026年)

    後から来た参加者ですが、アプリに触れる前に途中経過を見せる唯一の存在です。

    出典 ↗
  3. 3
    GPT-6.2 Astra のコンピューター操作(OpenAI、2026年)

    新しいコンピューター操作の頭脳として最も強力で、コストは3分の1。安全性カードには職場での事故例も載っています。

    出典 ↗
  4. 4
    Claude Cowork のコンピューター操作(Anthropic)

    トップクラスのスコア。そして自社ドキュメントに率直な注記があります。エージェントと画面の間にサンドボックスはありません。

    出典 ↗
  5. 5
    Qwen3.8 Max(アリババ、2026年)

    デスクトップの成績表で86.1%と首位です。ただし、オープンと表示されていますが、試験された視覚モデルはオープンではありません。

    出典 ↗
  6. 6
    Claude Opus 5 のコンピューター操作(Anthropic)

    同じモデル、同じ日の結果です。どれだけ粘るよう指示するかで、長い仕事の18.8%または44.3%が完了します。

    出典 ↗
  7. 7
    シミュラー Sai(シミュラー AI、2026年)

    仕事単位で販売されており、完了したタスク1件あたり15.70ドル。結果に値札がついている唯一のエージェントです。

    出典 ↗
  8. 8
    MiMo-V2.6(シャオミ、2026年)

    オープンウェイトで82%。ロックインなしで、商用の首位に迫ります。

    出典 ↗
  9. 9
    アップルのMacエージェント(開発中、2027年)

    門番自身のエージェントです。自分が従う権限ルールを書く手伝いもします。

    出典 ↗
  10. 10
    Intelligence-Indeed Agent(2026年)

    成績表の謎の王者。90.19%で、人間の基準値を上回るのに、その名前を知る人はほとんどいません。

    出典 ↗

MiMo が気づいたこと

エージェントは369タスクのデスクトップテストで人間を上回っています(人間の基準値72.36%、首位90.19%)。それでも、OSWorld 2.0の完全達成の基準では、最良の機械でも長い実際の仕事を半分未満しか完了できません。

作業量の設定は、モデルの選択より結果を大きく動かします。Opus 5は同じベンチマークで、作業量を低から最大にするだけで、完全達成が18.81%から44.33%に上がります。

最もアクセスの扱いが良いエージェントはサンドボックスで動き、権限の確認を84%減らしました。一方、スコアが最も良いエージェントは、サンドボックスがまったくないと明言しています。

アップルの新しいmacOSは、AIエージェントを設計で防ぐべきリスクとして扱い、ディスク権限を分けています。一方でアップルは、2027年に向けて自社のエージェントを開発しています。

🇨🇳 Kimi10 位まで · メモ 4 件

同じ質問に Kimi だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    Claude コンピューター操作(Claude Opus 5.5、Anthropic)

    これまでで最高の長時間デスクトップ結果です。OSWorld 2.0で完全達成48.7%。お使いのMacの権限層には一切触れず、ご自身で用意したVMの中から実行されます。

    出典 ↗
  2. 2
    Qwen3.8 Max(アリババ)

    OSWorld-Verifiedで86.1%。重みはダウンロードでき(27Bのチェックポイントは84.3%)、首位のデスクトップ結果でも、お使いのマシンへのアクセスは不要です。

    出典 ↗
  3. 3
    Gemini コンピューター操作(グーグル、Gemini 3.x)

    OSWorld-Verifiedで78.4%、「full: you run the environment」(実行環境は利用者側)。サンドボックスがご自身のものなので、このエージェントにはMacの権限画面が付いていません。

    出典 ↗
  4. 4
    ChatGPT コンピューター操作(OpenAI、GPT-5.4)

    ご自身のMacで動く最も有能なネイティブエージェント(OSWorld-Verifiedで75%)ですが、必要な権限も最も多いです。画面収録、アクセシビリティ、アプリごとの承認に加え、一時的にMacのロックを解除できるオプトインの「Locked Use」モードもあります。

    出典 ↗
  5. 5
    Kimi K2.6(Moonshot AI)

    オープンウェイトのモデルでOSWorld-Verifiedは73.1%。重要な水準にあり、使い捨てのVM内で無料で動かせます。

    出典 ↗
  6. 6
    Claude Cowork / Claude デスクトップのコンピューター操作(Anthropic)

    同じスタックの一般向け版です。アプリごとに許可を求め、銀行アプリや健康関連アプリでの利用は控えるよう勧めています。デスクトップアプリを開いている間だけ、お使いのパソコンに触れます。

    出典 ↗
  7. 7
    Agent S3(シミュラー)

    OSWorldで69.9%。人間の基準値から2.5ポイント以内です。オープンなフレームワークで、Behavior Best-of-Nは追加の権限ではなく、追加の試行で点数を稼ぎます。

    出典 ↗
  8. 8
    UI-TARS-2(バイトダンス)

    OSWorldで47.5%。プライバシー面に特徴があり、7Bの版は一般的なGPU1基で動くため、画面がパソコンの外に出る必要がありません。

    出典 ↗
  9. 9
    OpenCUA-72B(HKU & Moonshot AI)

    OSWorld-Verifiedで45.0%。オープンソースの最高水準です。コード、データ、モデルがすべて公開されているので、監査できることがアクセス面の要点です。

    出典 ↗
  10. 10
    Intelligence-Indeed Agent

    公式のOSWorld-Verifiedボードの首位は90.19%。提出者以外にはほとんど再現できない数値です。

    出典 ↗

Kimi が気づいたこと

2つのOSWorldの数値は、別々の製品を表しています。同じClaude Opus 4.8は、OSWorld-Verifiedで83.5%ですが、OSWorld 2.0の108件の長時間ワークフローでは完全達成がわずか20.6%です。短いタスクのデモはほぼ解けており、一日仕事の長さのタスクはまだ解けていません。

macOS 27.3では、従来の「デバイス制御とデータアクセス」の切り替えが「システムとアプリの保護の上書き」とアクセシビリティに分けられ、「先に確認」の段階、アプリごとの範囲指定、「すべてのデータの読み取り、変更、削除、書き出し」という明示的な警告、メニューバーの表示が加わります。ただし、27.3より前に与えられた権限はすべて有効のままです。

デスクトップ操作の最先端は、ダウンロードできる形になっています。アリババがMax級のチェックポイントをオープンソースにしました(27Bの版はOSWorld-Verifiedで84.3%)。これにより、完全にサンドボックス化されたセルフホスト型の最上位エージェントが初めて可能になりました。

OSWorld-Verifiedは頭打ちです。上位モデルは約1.1ポイント以内に固まっており、人間の基準値72.36%を上回っています。まさにそれが理由でOSWorld 2.0があり、エージェントは最後の1点ではなく、アクセスの広さで評価されるべきなのです。

🇨🇳 DeepSeek10 位まで · メモ 4 件

同じ質問に DeepSeek だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    OpenAI Operator(2026年)

    クラウドのブラウザサンドボックスからOSWorldで38.1%。ローカルのディスクやアクセシビリティ権限はほぼ不要です。

    出典 ↗
  2. 2
    メタ(Manus)デスクトップエージェント(2026年)

    ルート権限のあるクラウドVMで動くため、OSWorldの72.5%は、Macのディスクを渡さずに得られた結果です。

  3. 3
    Claude コンピューター操作(Claude Fable 5 / Opus 5 の実行環境、2026年)

    OSWorld-Verifiedで85%。アクセシビリティと画面収録だけで、フルディスクアクセスは不要です。macOS 27.3のアプリごとの上書き階層もあります。

    出典 ↗
  4. 4
    コースティ CUA v1(2026年)

    OSWorld-Verifiedで82.81%の検証済み。求める権限は画面収録とアクセシビリティで、フルディスクアクセスは不要です。

    出典 ↗
  5. 5
    Qwen3.8 Max エージェント(アリババ、2026年)

    OSWorld-Verifiedで86.1%。公開されている中で最高ですが、このエージェントのローカルでの権限の範囲は公表されていません。

    出典 ↗
  6. 6
    Agent S3(シミュラー、2026年)

    OSWorldで72.6%。人間の基準値を上回っています。アクセシビリティと画面収録で動くオープンソースのハーネスです。

    出典 ↗
  7. 7
    UiPath 画面操作エージェント(Claude Opus 4.5、2026年)

    2026年1月時点でOSWorld-Verifiedは67.1%。悪くはありませんが、デスクトップのUIを完全に自動操作する権限を求めます。

  8. 8
    Gemini 3.6 Flash エージェント(グーグル、2026年)

    OSWorld-Verifiedで83%ですが、このエージェントのハーネスの権限プロファイルは公開されていません。

    出典 ↗
  9. 9
    Kimi K3 エージェント(Moonshot AI、2026年)

    2026年11月8日時点でOSWorld-Verifiedは84.8%。タスクの成功率は高いものの、ローカルでの権限要求がはっきりしません。

  10. 10
    UI-TARS-2(バイトダンス、2026年)

    OSWorldで47.5%、WindowsAgentArenaで50.6%。ネイティブのGUI操作ですが、画面と入力の権限が必要です。

DeepSeek が気づいたこと

結果と権限の差は極端です。Operatorは、Claude Fable 5と比べてOSWorldの成功率が47ポイント低い(38.1%対85%)ものの、ローカルのディスクには一切触れません。一方Claudeは、85%に到達するのにアクセシビリティと画面収録だけで済み、フルディスクアクセスは不要です。

OSWorld 2.0では全員の数値が下がります。完全達成の最高値は44.33%(Claude Opus 5、最大の作業量、バッチツール)です。同じ系統がOSWorld-Verifiedで85%を記録していても、時間が長くなると、まったく別の勝負になります。

macOS 27.3では、アクセスの問いが明確になります。フルディスクアクセスは分割・範囲指定され、「システムとアプリの保護の上書き」が独自の階層として、メニューバーの表示付きで設けられます。そのため、「アクセシビリティだけ」を求めるエージェントは、上書き権限を求めるエージェントとはっきり違うものになりました。

Coastyの検証済みスコア82.81%は、多くの商用エージェントより高く、トップモデルのスコアに近いものです。ただし、OSWorld 2.0の公表値の行がありません。長時間のベンチマークが、どれほど不均一に採用されているかを示しています。

🇨🇳 Wenxin10 位まで · メモ 1 件

同じ質問に Wenxin だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    アップル社内開発のmacOS AIエージェント(2027年初頭版)

    設計上、サードパーティへのデータの持ち出しはゼロ。ネイティブでサンドボックス化されて動き、アップル自身の権限モデル以外の外部権限は不要です。

    出典 ↗
  2. 2
    OpenAI Agents API(2026年ベータ版)

    開発者の全体採用率は74%。OpenAIがホストするランタイムとセルフホストのランタイムの両方で、サンドボックスを完全にサポートします。

  3. 3
    パープレキシティ Computer(2026年)

    100以上の並列サブエージェントの連携。実際のファイルシステムとブラウザを備えた隔離された計算環境で、デスクトップのルート権限は不要です。

  4. 4
    Sai AIエージェント(2026年)

    3回のワークフロー実行後、GUI自動化のコストは平均40%下がります。無料プランでは、クラウドのWindows/Linuxサンドボックスを1日の上限付きで使えます。

  5. 5
    Anthropic Claude コンピューター操作エージェント(2026年)

    開発者全体の利用率はOpenAIと並んで75%。来年使う予定の開発者は49%で、業界で最も高い今後の意向です。

  6. 6
    メタ Muse エージェント(2026年)

    オープンソースでクロスプラットフォームのネイティブなデスクトップ対応。ローカルのタスク実行では、クラウドへのデータ共有は必須ではありません。

    出典 ↗
  7. 7
    OpenAI Codex エージェント(2026年)

    開発者の8%が最も気に入ったツールとして挙げ、17.6%が次に使う予定です。世界で3番目に高い今後の採用意向です。

  8. 8
    OpenCode(2026年)

    オープンソースのコーディング用デスクトップエージェントで首位。開発者の最も好きなツールとして7%、オープンソース開発者コミュニティでの次回利用意向は11.7%です。

  9. 9
    パープレキシティ Personal Computer Macアプリ(2026年)

    エージェントの連携を、ローカルのMacハードウェアに直接広げます。Mac miniでの導入に合わせて、24時間稼働に最適化されています。

  10. 10
    OpenAI Agents SDK(2026年ベータ版)

    利用者自身のアプリ内で、ループ全体を自由に制御できます。OpenAIがホストするランタイムへの必須の囲い込みはありません。

Wenxin が気づいたこと

アップルの今後の初の自社製Mac AIエージェントは、macOS 27.3の新しい権限の枠組みの下でネイティブに動きます。現在すべてのサードパーティのエージェントが求めている、フルディスク・画面収録・アクセシビリティへの恒久的なアクセスは必要ありません。

🇨🇳 Qwen10 位まで · メモ 3 件

同じ質問に Qwen だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    Qwen3.8 Max

    OSWorld-Verifiedで86.1%。検証済みのデスクトップスコアとしてこれまでで最高で、ツールごとの細かな権限設定にも対応します。

    出典 ↗
  2. 2
    Claude Opus 5.5

    厳しいOSWorld 2.0の108タスクの長時間ベンチマークで81%を超えた、唯一のエージェントです。

    出典 ↗
  3. 3
    Claude Fable 5

    実際のデスクトップタスクで85.0%を記録しますが、画面収録とアクセシビリティの全面的な上書きに頼っています。

    出典 ↗
  4. 4
    コースティ

    検証済み85.6%で僅差の2位。計算量とアクセスの範囲を抑えるよう、特に最適化されています。

    出典 ↗
  5. 5
    Kimi K3

    OSWorld-Verifiedで84.8%。フルディスクアクセスを迂回する、ブラウザのサンドボックスモードも備えています。

    出典 ↗
  6. 6
    Claude Fable 5.1

    OSWorld 2.0で77.9%。完全なMac操作を与えられれば、数時間に及ぶワークフローを続けられることを示しています。

    出典 ↗
  7. 7
    Qwen3.8-27B

    オープンウェイト版はローカルで84.3%に達しますが、アクセシビリティとフルディスクアクセスには利用者による明示的な承認が必要です。

    出典 ↗
  8. 8
    Sai by シミュラー

    OSWorld 2.0で73%。長時間のプロフェッショナルなタスクと、厳格なローカルのサンドボックス化を両立させています。

    出典 ↗
  9. 9
    GPT-6 Astra

    OSWorld 2.0で72.6%ですが、クラウド優先の構成のため、お使いのパソコンには画面共有の権限しか与えられません。

    出典 ↗
  10. 10
    GPT-6.1 Sol

    OSWorld 2.0で71.4%。複雑なデスクトップの状態を操作するには、macOS 27.3の上書き階層の全体が必要です。

    出典 ↗

Qwen が気づいたこと

macOS 27.3では、AIエージェントが機密性の高いフォルダにアクセスするたびに毎回許可を求めるようになります。一度設定したら放っておける、これまでのフルディスクアクセスのしくみは終わります。

エージェントは、OSWorld-Verifiedで人間の基準値72.36%を超えるようになりました。日常的なデスクトップのクリック操作では、AIが平均的な人間より速く、正確になったということです。

OSWorld 2.0の長時間タスクは平均で250ステップを超えます。GPT-6 Astraのような最上位モデルでさえ、1時間の作業の文脈を保つのに苦労していることがわかります。