尽管2024-2025年主要AI实验室纷纷推出计算机使用原型并在基准测试中取得亮眼成绩，但这些AI代理在真实应用场景中的表现却远低于预期。在OSWorld-V2基准测试中，最佳模型的任务完成率仅为20.6%，Agents' Last Exam的最佳结果也仅有26.2%。相比之下，基准测试本身显示的完成率从60.76%…