GUI Agent 与人工操作相比，准确率能达到什么水平？

1. 基准测试表现

• 在 OSWorld 基准测试中，顶级模型已达 80% 以上（如 Holo3.1-35B-A3B 达 80.0%，Claude Opus 4.7 达 83.6%）
• 人类基线约为 72.4%，领先模型已显著超过人类水平
• OSWorld 2.0（2026 年发布）扩展至 108 个长周期任务，进一步测试复杂工作流能力

2. 实际应用准确率

• 结构化任务（表单填写、数据复制）：准确率可达 95% 以上
• 复杂推理任务（跨应用编排、异常处理）：准确率 70% 至 85%，仍需人工兜底
• 长周期任务：随着步数增加，累积错误率上升

3. 提升方向

• 结合世界模型进行操作前的模拟预测，提升决策准确性
• 引入在线强化学习，通过实际执行反馈持续优化
• 与人工形成"AI 执行 + 人工复核"的协作模式