Özet: Ekranınızı gören, farenizi ve klavyenizi kullanan sistemler olan bilgisayar kullanan ajanlar gerçek bir yetenek sıçraması yaptı ve gösteriler sahte değil. Ancak yayımlanmış kanıtlar, gösterilerin çizmediği keskin bir çizgi çiziyor. Gerçek masaüstünde 369 kısa görevden oluşan akademik kıyaslama OSWorld’de ajanlar 2024’teki lansmanda yüzde 12,24 başarıdan yüzde 72,36’lık insan eşiğinin üzerine çıktı. Haziran 2026’da yayımlanan, bir insanın ortanca 1,6 saatini alan 108 uzun soluklu akış içeren OSWorld 2.0’da ise en iyi öncü ajan yüzde 20,6 tamamlıyor. Aynı üst sistem kısa kıyaslamada yüzde 83,5, uzun olanda yüzde 20,6 alıyor. Bu fark bu alandaki tek en önemli sayı ve size devretmenin nerede işe yaradığını, nerede değer yok ettiğini tam olarak söylüyor. Bu rehber doğrulanmış kıyaslama tablosunu, güvenilmezliğin gerçekte neye mal olduğunu gösteren türetilmiş bir tamamlanan-iş-başına-maliyet analizini, yayımlanmış altı modlu hata taksonomisini ve ofis işlerini gerçekten ihtiyaç duydukları denetim düzeyine eşleyen üç kademeli bir devir çerçevesini veriyor. Bir CEO gösteri değil güvenilirlik satın alır; bir öğrenci yeni model çıktığında kontrolü yeniden yapar.
Son iki yılda gerçekten bir şey değişti. Bir yapay zeka sistemi artık ekranınıza bakabiliyor, düğmeyi bulabiliyor, tıklayabiliyor, alana yazabiliyor, uygulamalar arasında geçiş yapabiliyor ve devam edebiliyor. Bilgi işlem departmanınızın kurduğu özel bir API entegrasyonu üzerinden değil, tıpkı sizin yaptığınız gibi, bakarak ve eyleyerek. Bu, insanların ilk sohbet botundan beri hayal ettiği yetenek; çünkü ofis işinin gerçek şekline nihayet dokunan yetenek bu. Ofis işi bir sohbet değil, birbiriyle düzgün konuşmayan yarım düzine uygulama arasında yapılan küçük müdahalelerden oluşan uzun bir dizi.
Gösteri videoları etkileyici ve önemlisi sahte değiller. Sorun şu ki bir gösteri, kimsenin size göstermediği bir dağılımdan alınmış tek bir örnektir. Faydalı soru, bir ajanın uçuş rezervasyonu yapıp yapamayacağı ya da bir tabloyu mutabık kılıp kılamayacağı değil; çünkü bunun cevabı evet, bazen. Faydalı soru şu: ne sıklıkta, ne tür bir görevde ve geri kalan zamanlarda ne oluyor? Bu sorunun artık hakemli ve ön baskı kıyaslama araştırmalarında yayımlanmış gerçek cevapları var ve bu cevaplar hem abartıdan hem de tepkiden çok daha uygulanabilir.
Alanı tanımlayan kıyaslama ve onu yeniden tanımlayan kıyaslama
NeurIPS 2024’te tanıtılan OSWorld, bunu düzgün ölçmeye yönelik ilk ciddi girişimdi. Bir ajanı gerçek uygulamalarla gerçek bir işletim sistemine yerleştiriyor ve ona gerçek bilgisayar kullanımından alınmış 369 görev veriyor: dosya yönetimi, web’de gezinme, belge düzenleme ve birden fazla uygulamaya yayılan akışlar. Her görevin komut dosyasına dayalı, yürütme temelli bir kontrolü var; yani başarı, bir hakem modelin dökümü beğenmesi değil, dosyanın gerçekten doğru duruma gelmesi anlamına geliyor.
O ilk çalışmadan iki sayı hâlâ her şeyi çıpalıyor. İnsanlar görevlerin yüzde 72,36’sını tamamlıyor ki bu başlı başına üzerinde durulmaya değer, çünkü bunların bir insan için bile önemsiz işler olmadığı anlamına geliyor. Ve Nisan 2024’teki lansmanda en iyi model yüzde 12,24 tamamladı. Yazarlar farkı çoğunlukla arayüz konumlandırmasına, yani şeyin ekranda tam olarak nerede olduğunu bilmeye ve bir uygulamanın alışılmış kullanım biçimini bilmek anlamına gelen işletimsel bilgiye bağladı.
Bu fark hızla kapandı. Yaklaşık iki yıl içinde raporlanan OSWorld skorları insan eşiğini aştı ve 2026 ortasında önde gelen sistemler seksenli rakamlar bildiriyor. Tek başına okunduğunda bu, çözüldü-ve-teslim edildi hikâyesidir ve 2026 yorumlarının çoğu tam olarak böyle okudu.
Sonra, Haziran 2026’da aynı araştırma grubu OSWorld 2.0’ı yayımladı ve tablo değişti. Yeni kıyaslama, her biri tek bir angarya değil gerçekçi ve uçtan uca bir iş olan 108 akış içeriyor. Tasarım kısıtı ilginç kısmı: her görev bir kullanıcının ortanca yaklaşık 1,6 saatini alıyor. Orijinal kıyaslamada bir görev ajandan kabaca 30 araç çağrısı isterken, yenisindeki görevler azami akıl yürütme çabasıyla çalışan öncü bir model için ortalama 318,4 çağrı alıyor. Bu, aynı testin daha zor bir versiyonu değil. Farklı bir rejim ve gerçek bir işin görünüşüne çok daha yakın.
O kıyaslamada, 500 adımlık bütçeyle, en iyi öncü ajan görevlerin yüzde 20,6’sını tamamlıyor.
Sonuç tablosunu doğru okumak
Aşağıdaki tablo, kıyaslama yazarlarının belgelediği şekliyle, 500 adımlık bütçe ve azami akıl yürütme çabasıyla yayımlanmış OSWorld 2.0 sonuçlarını gösteriyor. İkili tamamlama, akışın tümünün doğru bitmesi demek. Kısmi skor, yol boyunca kaydedilen ilerlemeyi hesaba katıyor. Maliyet, görev denemesi başına raporlanan yaklaşık harcamadır.
| Sistem (raporlandığı gibi) | İkili tamamlama | Kısmi skor | Deneme başına yaklaşık maliyet |
|---|---|---|---|
| Claude Opus 4.8 (toplu) | %20,6 | %54,8 | 72,4 $ |
| Claude Opus 4.8 (tekil) | %18,5 | %49,3 | 76,1 $ |
| Claude Opus 4.7 (toplu) | %18,2 | %48,9 | 33,6 $ |
| Claude Opus 4.7 (tekil) | %13,9 | %49,1 | 35,8 $ |
| GPT-5.5 (toplu) | %13,0 | %49,5 | 25,5 $ |
| Claude Sonnet 4.6 | %8,3 | %41,5 | 22,3 $ |
| MiniMax M3 | %4,6 | %22,3 | 2,4 $ |
| Kimi 2.6 | %4,6 | %22,1 | 6,6 $ |
| Qwen 3.7-Plus | %2,8 | %21,5 | 3,8 $ |
Bu tablonun iki özelliği sıralamadan daha önemli.
Birincisi, ikili ve kısmi sütunlar arasındaki mesafe. Önde gelen sistem beş görevden birini tam olarak bitiriyor ama kısmi ilerlemede yüzde 54,8 alıyor. Ajanlar başlangıç çizgisinde başarısız olmuyor. Uzun akışlarda hatırı sayılır biçimde ilerliyor ve sonra işi yere indiremiyorlar. Neyi devredeceğine karar veren bir yönetici için bütün hikâye budur: uzun bir görevde bilgisayar kullanan bir ajanın çıktısı genellikle bir ret değil, yarım kalmış bir iştir. Bitmiş gibi görünen yarım iş, var olan en pahalı çıktı türüdür; çünkü birinin ona güvenebilmesi için önce denetlemesi gerekir ve yapmadığınız bir akışı denetlemek çoğu zaman onu yapmaktan daha yavaştır.
İkincisi, kıyaslama uçurumu. Yazarlar, uzun kıyaslamada yalnızca yüzde 20,6 ikili tamamlamaya ulaşan aynı Claude Opus 4.8 yapılandırmasının orijinal OSWorld’de yüzde 83,5 aldığını belirtiyor. Tek sistem, tek an, dört kat uzaklıkta iki sayı. Görev uzunluğunu belirtmeyen herhangi bir ajan güvenilirliği iddiası anlamsıza yakındır.
Güvenilmezliğin gerçek maliyeti
Yayımlanmış tablo deneme başına maliyeti veriyor ama bir işletmenin önemsediği sayı bu değil. Bilmek istediğiniz şey, tamamlanan iş başına maliyettir; yani harcamayı denemenin gerçekten tutma olasılığına bölmek. Yukarıdaki yayımlanmış rakamlara uygulanan bir CEOtudent editöryel çerçevesi olan aşağıdaki tablo bunu türetiyor.
| Sistem (raporlandığı gibi) | İkili tamamlama | Deneme başına maliyet | Türetilmiş tamamlanan iş başına maliyet |
|---|---|---|---|
| MiniMax M3 | %4,6 | 2,4 $ | ~52 $ |
| Qwen 3.7-Plus | %2,8 | 3,8 $ | ~136 $ |
| Kimi 2.6 | %4,6 | 6,6 $ | ~143 $ |
| Claude Opus 4.7 (toplu) | %18,2 | 33,6 $ | ~185 $ |
| GPT-5.5 (toplu) | %13,0 | 25,5 $ | ~196 $ |
| Claude Opus 4.7 (tekil) | %13,9 | 35,8 $ | ~258 $ |
| Claude Sonnet 4.6 | %8,3 | 22,3 $ | ~269 $ |
| Claude Opus 4.8 (toplu) | %20,6 | 72,4 $ | ~352 $ |
| Claude Opus 4.8 (tekil) | %18,5 | 76,1 $ | ~411 $ |
Bunu bir fiyat teklifi olarak değil, güvenilmezliğin neye mal olduğunun bir gösterimi olarak okuyun. Aritmetik, denemelerin birbirinden bağımsız olduğunu ve başarısız bir denemenin hiçbir değeri olmadığını varsayıyor; ikisi de tam olarak doğru değil. Başarısız bir çalışma çoğu zaman kullanılabilir kısmi iş bırakır ve ajanın bir kez başarısız olduğu bir görevde, taze bir atışla başarmak yerine aynı yapısal nedenle yine başarısız olması olağandır. Bunları kaba kuvvetle yeniden denemenin naif maliyetinin üst sınırı olarak görün.
Üst sınır olarak bile şekli öğreticidir. Tamamlanan iş başına en ucuz sistem aynı zamanda neredeyse hiçbir şeyi bitiremeyen sistemdir; yani taban oran yüzde 4,6 iken başarı başına düşük maliyet bir satın alma sinyali değildir, yirmi bir denemeyi beklemeniz gerekir. En yetkin sistem ise başarı başına açık farkla en pahalısıdır, çünkü başarısız her denemede de öncü fiyat ödersiniz.
Şimdi yanına bir insan koyun. Kıyaslama bize bu akışların bir kişinin ortanca 1,6 saatini aldığını söylüyor. Role ve piyasaya göre muazzam değişen ve tamamen örnekleyici bir aralık olarak sunduğumuz, saatlik tam maliyeti 30 ila 80 dolar arasındaki bir bilgi çalışanı için insan bu işi kabaca 48 ila 128 dolara, kesinliğe yakın bir tamamlama oranıyla ve görevin kendisinin yanlış tanımlandığını fark edecek muhakemeyle yapar. Ajanın tek deneme için ham işlem maliyeti bununla yarışabilir. Gerçekten tamamlanan uzun akış başına maliyeti ise henüz yarışamıyor.
Bu, teknolojiye karşı bir argüman değil. Onu hangi işlere yönelteceğinize dair bir argüman ve bu çok daha faydalı bir sonuç.
Uzun görevler neden bozulur: yayımlanmış hata taksonomisi
OSWorld 2.0 yazarları, ajanların yalnızca başarısız olduğunu saymak yerine nasıl başarısız olduklarını sınıflandırma işini yaptı. Altı örüntü tekrarlanıyor:
Bilgi takibi. Ajanlar talimatta bulunan, ortamda görünen ya da kullanıcı kanalından verilen bilgiyi kaçırıyor.
Zamanlama duyarlılığı. Zamana duyarlı adımlarda, gözlemle eylem arasındaki uzun boşluklar yüzünden eylem çoktan değişmiş bir arayüz durumuna iniyor.
Alan yapıtları. Ajanlar alana özgü dosya biçimlerini ve teamüllerini doğru yorumlamakta ve üretmekte zorlanıyor.
Doğrulama boşlukları. Ajanlar teslimden önce görev açısından kritik özellikleri sık sık kontrol etmiyor ve çarpıcı biçimde, zaten fark ettikleri hataları düzeltmiyor.
Durum kayması. Erken toplanan bilgi, görev durumu ortamda değil yalnızca sıkıştırılmış akıl yürütme bağlamında tutulduğunda unutuluyor.
Gizli durum. Test edilen her sistem, başarının hiç söylenmemiş bir şeyi çıkarsamayı gerektirdiği yerlerde en zayıf skoru alıyor: belirtilmemiş gereklilikler, aynı anda birkaç öğeyi takip etmek, çelişen talimatları çözmek ve altlarında değişen ortamlara uyum sağlamak.
Bu altısının altında, manşet olmayı hak eden tek bir bulgu duruyor. Yazarlar, her modelin bütçesinin neredeyse hiçbirini kendi hatalarını tespit etmeye ve düzeltmeye harcamadığını, kurtarma ve onarımın tüm sistemlerde birlikte çabanın yüzde 7’sinin altında kaldığını bildiriyor.
Mekanizma budur. Bu sistemler bir şeyler yapmakta zayıf değil. Az önce yaptıkları şeyin yanlış olduğunu fark etmekte zayıflar. Yetkin bir insan 1,6 saatlik bir akışta bu sürenin kayda değer bir kısmını kendi işini kontrol etmeye harcar ve şaşırtıcı her şeyden sonra refleksle yeniden kontrol eder. Bütçesinin yüzde 7’sinden azını öz düzeltmeye harcayan bir ajan, küçük ve erken bir hatayı sonuna kadar taşıyıp size kendinden emin biçimde tamamlanmış, yanlış bir sonuç verir. Bu tam olarak devir tavanı yazısının tarif ettiği hata profilidir: kısıt yetenek değil, yeteneğin size geri devrettiği doğrulama yüküdür.
Devir kademesi çerçevesi
Kanıtları bir araya getirdiğinizde pratik bir kural ortaya çıkıyor. Güvenilirlik; görev uzunluğunun, uygulama sayısının ve sonucun üretilmesinden daha kısa sürede kontrol edilebilir olup olmadığının bir fonksiyonudur. Yukarıdaki hata örüntüleri üzerine kurulmuş bir CEOtudent editöryel çerçevesi olan aşağıdaki üç kademeli yapı, ofis işini gerçekten ihtiyaç duyduğu denetime eşliyor.
| Kademe | Görev profili | Kanıt temeli | Nasıl yürütülür | Gerçekçi 2026 duruşu |
|---|---|---|---|---|
| Kademe 1: Devret | Kısa, tek uygulamalı, tek net bitiş durumu, çıktısı bir bakışta doğrulanabilir (bir yığını yeniden adlandırıp dosyalamak, formdan alan çıkarmak, belgeyi yeniden biçimlendirmek, tanımlı bir rapor çekmek) | Kısa görev performansı artık %72,36’lık insan eşiğini aşıyor | Başlat ve örnekleme yap. Her kalemi denetlemek yerine çıktıdan örnek al | Bugün gerçek zaman tasarrufu mümkün |
| Kademe 2: Denetle | Çok adımlı, iki-üç uygulama, 15-45 dakikalık insan işi, yanlışsa geri alınabilir (adı geçen kaynaklardan rekabet özeti çıkarmak, düzenli bir sunum hazırlamak, iki listeyi mutabık kılmak) | %50’ye yakın kısmi skorlar kayda değer ilerleme, düşük ikili tamamlama zayıf sonuçlandırma demek | Ajan taslağı üretsin, siz adı konmuş kontrol noktalarında doğrulayın. Son durumu asla okumadan kabul etmeyin | Gerçekçi tatlı nokta; sonuç değil ilk taslak satın alıyorsunuz |
| Kademe 3: Henüz devretmeyin | Uzun soluklu, dört veya daha fazla uygulama, bir saati aşan, ya da geri alınamaz herhangi bir eylem (gönderme, ödeme, yayımlama, silme, başvuru) | 1,6 saatlik akışlarda %20,6 ikili tamamlama; öz düzeltmeye bütçenin %7’sinden azı | Aralarına insan kontrol noktaları koyarak Kademe 1 ve 2 birimlerine ayırın ya da kendiniz yapın | Denetimsiz yürütmeyi kanıtlar desteklemiyor |
Kademe 3’teki ayrıştırma hamlesi karşılığını veren hamledir. Tek bir 318 çağrılık talimat olarak başarısız olan bir akış, çoğu zaman beş denetimli parça olarak başarılı olur; çünkü ajanın kendisi için yapmadığı doğrulamayı siz ekliyorsunuzdur. Bir kısıtı dolanmaktan çok, eksik bileşeni tedarik ediyorsunuz.
Geri alınamazlık kuralı
Üç kademenin de üzerinden geçen ve ayrıca belirtmeye değer tek bir çizgi var, çünkü pahalı türden hatayı önleyen kural budur.
Geri alınamayan bir eylem üzerinde asla denetimsiz yetki vermeyin. E-posta göndermek, form teslim etmek, ödeme yapmak, gönderi yayımlamak, kayıt silmek, koşulları kabul etmek. Kıyaslama kanıtı alışılmadık ölçüde net bir gerekçe sunuyor: çabasının yüzde 7’sinden azını öz düzeltmeye harcayan ve uzun akışlarda yüzde 20,6 alan bir sistem, denemelerin çoğunda geri alınamaz adıma doğrulamadığı bir durumda varacaktır. Hata biçimi reddetmesi değildir. Kendinden emin biçimde devam etmesidir.
Maliyet asimetrisi argümanın geri kalanını tamamlıyor. Geri alınabilir bir hata size yeniden yapma süresine mal olur. Geri alınamaz olan neye mal oluyorsa ona mal olur ve bunu sonradan öğrenirsiniz. Tam olarak geri alınamaz adımlarda insan onayı istemek saniyeler alır ve tüm kuyruğu ortadan kaldırır. Bu standart operasyonel risk yönetimidir ve burada da aynen geçerlidir.
Sıradaki modeli kendiniz nasıl değerlendirirsiniz?
Bu yazıdaki belirli sayılar eskiyecek ve bu sorun değil, çünkü yöntem eskimeyecek. Sıradaki ajan etkileyici bir rakamla piyasaya çıktığında, gerçek bir yetenek iddiasını gösteriden ayıran dört soru var.
Hangi kıyaslama ve görevler ne kadar uzun? Kısa, tek uygulamalı görevlerdeki bir skor, saatler süren çok uygulamalı iş hakkında hiçbir şey söylemez. Özellikle uzun soluklu sayıyı isteyin. İki OSWorld kuşağı arasındaki dört katlık fark bunun nedenidir.
İkili tamamlama mı, kısmi puan mı? Yüzde 20’ye yakın ikili skorların yanında yüzde 50’ye yakın kısmi skorlar, yolun çoğunu alan ama işi indiremeyen bir sistemi tarif eder. Bunlar farklı ürünlerdir. İkili sayıda ısrar edin.
Adım ve maliyet bütçesi neydi? 500 adımda ve azami akıl yürütmeyle alınan sonuçlar varsayılan olarak aldığınız yapılandırma değildir ve o ayarda deneme başına maliyet kayda değer olabilir.
Öz düzeltme oranı nedir? Öncü gösterge budur. Yayımlanan kurtarma ve onarım çabası bugünkü yüzde 7 altı aralığın anlamlı biçimde üzerine çıktığında güvenilirlik tablosu esaslı biçimde değişecek ve Kademe 3 açılmaya başlayacaktır. O zamana kadar, manşet skoru ne olursa olsun, denetimsiz uzun soluklu yürütmeyi desteklenmemiş kabul edin.
Bu, her görev için model seçiminde geçerli olan aynı değerlendirme disiplinidir: lansmanı güzel gösteren kıyaslamayı değil, gerçek işinize karşılık gelen kıyaslamayı okuyun.
CEO ve öğrenci
Bir CEO, gösterimi etkileyici diye bir yeteneği satın almaz. Neyi güvenilir biçimde teslim ettiğini, hangi maliyetle, hangi hata biçimiyle ve o hata gerçekleştiğinde neye mal olduğunu sorar. Bu ölçüte göre 2026’da bilgisayar kullanan ajanlar kısa ve sınırlı görevler için net bir alım, orta ölçekli akışların denetimli taslakları için güçlü bir alım ve denetimsiz uzun soluklu yürütme için net bir beklemedir. Bu bir kaçamak değil. Üç ayrı karardır ve kanıtlar her birini ayrı ayrı destekler.
Öğrenci tarafı ise bunun taşlaşmasını engelleyen şeydir. Bu alan kısa görevlerde yaklaşık iki yılda yüzde 12,24’ten insan eşiğinin üzerine çıktı. Uzun soluklu sayı da hareket edecek. 2024’te kötü bir gösteri yüzünden ajanları silen kişi artık yanılıyor; bugün uzun soluklu devrin çözüldüğünü ilan eden kişi de diğer yönde yanılacak. Her iki hatadan da sağ çıkan şey, kıyaslamaya geri dönme, yukarıdaki dört soruyu sorma ve bir görevi ancak kanıtlar izin verdiğinde bir üst kademeye taşıma alışkanlığıdır.
Kendi işiniz için kademe haritasını şimdi çıkarın. Çoğu kişi beklediğinden fazla Kademe 1 görevi olduğunu görüyor ki anlık getiri oradadır ve birkaç Kademe 3 akışının temiz biçimde denetimli parçalara ayrıldığını fark ediyor. 2026’daki tüm fırsat budur: otonom ofis değil, nereye bakacağını tam olarak bilen birinin yürüttüğü hatırı sayılır ölçüde daha hızlı bir ofis.
Sıkça sorulan sorular
Ajan tarayıcılar bilgisayar kullanan ajanlardan farklı mı?
Bir ajan tarayıcı tarayıcının içinde çalışır, dolayısıyla dünyası web sayfaları, sekmeler ve formlardır. Bilgisayar kullanan bir ajan, yerel uygulamalar ve dosya sistemi dahil tüm masaüstünü sürer. Ortam daha tekdüze olduğu için tarayıcı kapsamlı ajanlar kendi dar alanlarında daha güvenilir olma eğilimindedir, ancak gerçek ofis akışlarının çoğu tarayıcı ile masaüstü arasındaki sınırı geçer ve çok uygulamalı hata biçimleri tam olarak orada belirir.
Ajanlar OSWorld’de insan eşiğini geçtiyse neden her şeyi devretmeyelim?
Çünkü o eşik kısa ve çoğunlukla tek uygulamalı görevler için geçerli. Yüzde 72,36’lık insan rakamı da onu aşan ajan skorları da 369 görevlik kıyaslamadan geliyor. Görevlerin bir insanın ortanca 1,6 saatini aldığı uzun soluklu kıyaslamada en iyi ajan yüzde 20,6 tamamlıyor. Devri belirleyen değişken manşet skoru değil, görev uzunluğudur.
Kısmi tamamlama işe yarar mı, yoksa değersiz mi?
Tamamen işi kontrol etmeyi planlayıp planlamadığınıza bağlıdır. Bitmiş bir sonuç beklediyseniz kısmi tamamlama değersizden de kötüdür, çünkü bitmiş görünür ve sessizce size bir denetim işi devreder. Bir ilk taslak istediyseniz ve gözden geçirmeye niyetliyseniz, yüzde 50’ye yakın kısmi skor gerçek değerdir. Kademe 2’nin ayrı bir kategori olmasının nedeni budur.
Güvenilirliğin arttığının tek en iyi göstergesi nedir?
Bir sistemin kendi hatalarını tespit edip düzeltmeye ayırdığı çaba payı. Yayımlanan rakamlar şu anda kurtarma ve onarımı test edilen tüm sistemlerde yüzde 7’nin altına koyuyor. Uzun soluklu hataların çoğu düzeltilmemiş erken hatalara dayandığı için, bu sayının yükselmesi denetimsiz yürütmenin uygulanabilir hale geldiğinin sinyalidir.
Küçük ekipler teknolojinin olgunlaşmasını beklemeli mi?
Hayır. Kademe 1 devri şimdi çalışıyor ve anlık getirinin bulunduğu yer orası. Küçük ekiplerin yapmaması gereken şey, denetimsiz uzun soluklu yürütmeye bağımlı bir süreç kurmaktır; çünkü mevcut kanıtlar bunu desteklemiyor ve henüz var olmayan bir yeteneğe dayanan bir süreç sessizce ve pahalıya başarısız olur.
Kaynakça
- Xie ve diğerleri, OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments, NeurIPS 2024 Veri Kümeleri ve Kıyaslamalar Bölümü (arXiv:2404.07972)
- Yuan ve diğerleri, OSWorld 2.0: Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks, Haziran 2026 (arXiv:2606.29537)
- XLANG Lab, Hong Kong Üniversitesi, OSWorld kıyaslama belgeleri ve doğrulanmış sonuç metodolojisi
- OECD, Yapay Zeka ve İşin Geleceği, görev düzeyinde otomasyon ve tamamlayıcılık üzerine politika analizi
- Stanford İnsan Merkezli Yapay Zeka Enstitüsü, Yapay Zeka Endeksi Raporu, teknik performans ve kıyaslama doygunluğu bölümleri
Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.
This post is also available in:
