WindowsWorld：专业跨应用环境中自主GUI智能体的以流程为中心的基准

尽管GUI智能体已在OSWorld等常见计算机操作任务中展现出令人印象深刻的能力，现有基准主要聚焦于孤立的单应用任务。这忽视了现实世界的一个关键需求：跨多个应用协调以完成复杂的职业特定工作流程。为弥合这一差距，我们提出一个面向跨应用工作流的计算机操作基准WindowsWorld，旨在系统性地评估GUI智能体在映射真实职业活动的复杂多步任务上的表现。我们的方法使用由16种职业驱动的多智能体框架生成带中间检查的四个难度级别任务，随后经人工审核精炼，并在模拟环境中执行。所得基准包含181个任务，横跨17个常见桌面应用，平均每个任务5.0个子目标，其中78%天然涉及多应用。领先大模型与智能体的实验结果表明：1）所有计算机操作智能体在多应用任务上表现糟糕（成功率<21%），远低于简单单应用任务的表现；2）它们在需要跨3个及以上应用进行条件判断和推理的任务上大多失败，卡在早期子目标上；3）执行效率低下，任务往往在远超人类步骤限制后仍告失败。代码、基准数据和评估资源可在github.com/HITsz-TMG/WindowsWorld获取。