现有的计算机使用基准测试无法捕捉真实世界计算机使用的现实性、复杂性和长周期需求，限制了它们揭示前沿智能体局限性的能力。我们推出了 OSWorld 2.0，这是一个包含 108 个长周期计算机使用工作流的基准测试，涵盖日常和专业任务，旨在捕捉复杂且具有挑战性的真实世界现象。每个任务都代表一个真实的端到端工作流，人类用户完成其中位时间约为 1.6 小时，而使用 Claude Opus 4.7 并开启最大思考模式时，平均需要 318 次工具调用，相比之下 OSWorld 1.0 中约为 30 次。OSWorld 2.0 针对真实工作流中常见但以往基准测试中代表性不足的挑战性现象，涵盖了交互设计挑战（如流式交互和动态环境）以及智能体模式挑战（如跨来源推理、隐式状态推断和视觉空间精度）。任务基于真实的输入工件，并与真实的、有状态的用户画像数据进行交叉引用，同时包含单独的安全报告以审计安全敏感的执行过程。在我们主要的 500 步二值完成度指标下，Claude Opus 4.8 在开启最大思考模式和批量工具调用时表现最佳，但仅完成了 20.6% 的任务，部分得分为 54.8%；GPT-5.5 的 token 效率高得多，但得分停滞在 13% 左右。这些结果表明，当前智能体距离专业级别的计算机使用仍相去甚远：它们并非在基本的 GUI 控制或编码上出错，而是会丢失约束条件、错过任务中途到达的信息、猜测而非询问用户，并且跳过验证环节，在任务依赖于它们必须恢复的隐藏状态时最为挣扎。