🔔 Обновления

2026-05-13: Вам также может быть интересно: ToolCUA: К оптимальной оркестрации путей GUI-инструментов для компьютерных агентов.

2026-05-09: Исправлены ошибки в инструментах LibreOffice MCP. Добавлены новые результаты моделей: Kimi-K2.5, Gemini-3.1-Pro, Claude-4.5-Sonnet и Qwen3.5-Plus.

2026-01-26: OSWorld-MCP принят на ICLR 2026! 🎉

2025-10-28: Мы выпустили нашу страницу статьи и проекта! 🎉

📄 Прочитайте статью  |  🌐 посетите страницу проекта

---

📑 Обзор и ключевые моменты

OSWorld-MCP — это комплексный и справедливый ориентир для оценки агентов компьютерного использования в реальных ситуациях.
Он совместно измеряет возможности вызова инструментов Model Context Protocol (MCP), навыки управления графическим интерфейсом пользователя (GUI)** и производительность принятия решений.
Разработанный как расширение OSWorld, он значительно улучшает реализм, баланс и сравнимость при оценке.

Ключевые особенности и выводы

• 158 проверенных MCP-инструментов, охватывающих 7 распространённых приложений (LibreOffice Writer, Calc, Impress, VS Code, Google Chrome, VLC, утилиты ОС). Среди них — 25 инструментов отвлекающих средств для тестирования надёжности

OSWorld-MCP: Benchmarking MCP Tool Invocation in Computer-Use Agents

🔔 Updates

2026-05-13: You Might also be interested: ToolCUA: Towards Optimal GUI-Tool Path Orchestration for Computer Use Agents.

2026-05-09: Fixed bugs in LibreOffice MCP tools. New model results added: Kimi-K2.5, Gemini-3.1-Pro, Claude-4.5-Sonnet, and Qwen3.5-Plus.

2026-01-26: OSWorld-MCP is accepted to ICLR 2026! 🎉

2025-10-28: We released our paper and project page! 🎉

📄 Read the Paper  |  🌐 Visit the Project Page

---

📑 Overview & Key Highlights

OSWorld-MCP is a comprehensive and fair benchmark for evaluating computer-use agents in real-world scenarios.
It jointly measures Model Context Protocol (MCP) tool invocation capabilities, graphical user interface (GUI) operation skills, and decision-making performance.
Designed as an extension of OSWorld, it significantly improves realism, balance, and comparability in evaluation.

Key Features & Findings

• 158 validated MCP tools, spanning 7 common applications (LibreOffice Writer, Calc, Impress, VS Code, Google Chrome, VLC, OS utilities). Among them, 25 distractor tools for robustness testing
• 250 tool-beneficial tasks → 69% of benchmark tasks benefit from MCP tools
• Multi-round tool invocation possible, posing real decision-making challenges
• MCP tools boost model accuracy & efficiency — e.g., OpenAI o3: 8.3% → 17.6% (15 steps)
• Highest observed Tool Invocation Rate (TIR) = 33.3% (Claude-4-Sonnet, 50 steps) → indicating ample room for improvement
• MCP tools improve agent metrics
• Higher tool invocation correlates with higher accuracy
• Combining tools introduces significant challenges

Architecture Overview

Figure: OSWorld-MCP evaluation framework integrating GUI actions and MCP tool invocations.

---

⚙️ Installation & Usage

1️⃣ Preparation: Code Setup

# Clone OSWorld base repo
git clone https://github.com/xlang-ai/OSWorld.git

# Clone OSWorld-MCP
git clone https://github.com/X-PLUG/OSWorld-MCP.git

Integrate OSWorld-MCP files into OSWorld to enable MCP support.

---

2️⃣ Preparation: Docker Environment

1. Copy MCP files into /home inside Docker:

/home/
└── mcp_server/
└── osworld_mcp_client.py

2. Install dependencies:

pip install -r requirements.txt

3. Install Node.js
4. Launch MCP server:

cd mcp_server
bash debug_server.sh

A successful launch opens the local MCP debug UI in your browser.

---

3️⃣ Running Evaluation

Example: Evaluate Claude 4 Sonnet (15 steps):

python run_multienv_e2e.py \
    --api_url  \
    --api_key  \
    --model 'claude-sonnet-4-20250514-thinking' \