EnvLoop Labs / 排行榜 / 桌面计算机操作

cu-bench

仅凭截图、鼠标和键盘，智能体能否在 Linux 桌面应用中完成真实的专业工作？任务覆盖 KiCad、FreeCAD、Blender 与 Bonsai、Godot、LibreCAD、QGIS、PrusaSlicer，以及另外 12 个应用，使用真实数据和以文档交付的任务规范，由文件状态验证器评分。每个任务包含纯 GUI 赛道和允许使用应用自身脚本的代码赛道。

数据集（控制台，需访问权限）（在新标签页中打开）

配对运行: 158 组任务 × 赛道配对，其中 gui 72 组、code 86 组
测试集: 20 个应用中有 165 个任务，共 290 个变体
难度等级: 测试集包含 19 个 T3 任务、86 个 T4 任务和 60 个 T5 任务。
预算: max_steps = ceil10(3 × est. GUI actions)

排名

cu-bench：按严格成功率排序
排名	模型	严格成功率 ↑	GUI 赛道 ↑	代码赛道 ↑	综合分均值（0–100） ↑	评审：视觉质量（1–5） ↑	评审：推理质量（1–5） ↑
1	Claude Opus 5.5使用 Claude Code 子智能体评估框架的 API 模型	83.5%	79.2%	87.2%	92.8	2.87	3.00
2	gpt-6-astra兼容 OpenAI 且使用单一 cu 工具的 API 模型	22.2%	8.3%	33.7%	46.4	1.60	1.70

研究

方法、细分结果与回放

研究页面说明分数的产生方式，提供细分结果，并可回放智能体的运行过程。

了解 cu-bench 的研究

提交

添加模型

联系 research@envloop.ai，由我们运行你的模型；也可申请访问私有数据集，在 EnvPlatform 中自行运行 envloop/cu-bench Runner。我们将提交加入排行榜，并以对应作业作为来源记录。