为什么重要
AppWorld 模拟 9 个日常 App（邮件/日历/地图/音乐等）的交互环境，评估 Agent 完成日常数字生活任务的能力。
构建方式与示例
750+ 个任务，在模拟 App 环境中执行。例如：“检查日历中明天的会议，给所有参与者发邮件提醒。“
关联基准与展望
关联：AgentBench、GAIA。不足：模拟 App 与真实 App 有差距。
返回评测
Agent Agent-编码 未饱和
模态 · 代码
任务 · 执行验证
AppWorld
在 457 个模拟 App（邮件/日历/音乐等）中评估 Agent 完成复杂跨应用任务的能力
多校联合 ·
考察能力
跨应用 App操作 多步规划 API编排
构建信息
- 数据规模
- 750 tasks / 457 apps / 9 categories
- 评测方式
- 标准评测
- 核心指标
- Task Success Rate (%)
资源链接
模型效果排行
🥇 GPT-5 + ReAct
38.6%
🥈 GPT-4o + ReAct
18.2%
Agent App 跨应用 模拟环境