别只看交没交活，看它是怎么干活的

电脑操作 agent 的成绩单通常是这么算的：任务结束跑一遍功能校验，文件在就过、状态对就过。至于中间绕了多少远路、有多少步骤靠蒙，终点对账一概看不见。Zhilin Wang 等人的 OSWorld-Pro（arXiv:2609.24890，今日 HF 榜新上榜）换了一个口径：查路径，不查终点。

基准怎么建

规模给得很足：300 多个任务拆解出 2800 个以上顺序依赖的子目标，配 67000 多条人工标注，用人工对齐的 LLM 裁判沿子目标链逐段追踪进度。判定标准与人类判断对齐后，agent 在哪一步偏离、哪一步空转，都有了可计量的读数。

数字立刻拉开差距：前沿模型在过程评测下明显降分，Claude Opus 5 只有 75.7%，而它在原版 OSWorld 的终点评测上是 83.4%。降掉的这部分就是旧口径的盲区，蒙对结果但过程混乱的表现再也藏不住。论文还命名了两类高频失败：子目标无关动作（干着干着跑偏）与点击类失误（指哪不打哪）。页面未见代码链接。

为什么这类基准重要

站内评测线一路写过来，趋势已经很明显：Agents Are Systems 把配置方差算进成绩，HyperBrowseComp 防参数记忆漏题，这一篇把镜头从结果摇到过程。三篇合起来是一句话：只看终点的分数正在失去信息量。

对做 RPA 与电脑操作 agent 的团队，过程分的价值不止于评测。67000 条人工标注的子目标数据本身就是课程素材：失败段的精确定位可以直接改造成训练信号，比端到端的成败标签密得多。就算不训练，拿它当回归测试集，也比终点分更能提前暴露版本退化。