Benchmark-Übersicht

UFO² wird rigoros auf zwei öffentlich zugänglichen Live-Task-Suiten getestet

Benchmark	Umfang
Windows Agent Arena (WAA)	154 reale Windows-Aufgaben in 15 Anwendungen (Office, Edge, Datei-Explorer, VS Code, …)
OSWorld (Windows)	49 Anwendungsübergreifende Aufgaben, die Office 365, Browser und System-Utilities kombinieren

Die Integration dieser Benchmarks in UFO² befindet sich in separaten Repositories. Bitte folgen Sie den oben genannten Dokumenten für weitere Details.