daniel.w
/
AnyBot
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity
AnyBot/bench/computer-use
History
王性驊 be790f36ba Screen steps name their controls first, and a batch takes a whole row of keys; four held-out tasks 
A quick model looking numbers up pressed 1, 2, 3, 1 for 1234, and 1234 × 5678 = didn't fit in
an 8-action batch (it split it and lost a key). The click and batch descriptions now lead with
the control's name (name "4"), and a batch takes up to 16 actions.

The benchmark gets four tasks on things none of the others use (Mousepad and its save dialog,
a Chromium bookmark, ImageMagick, a page of nested web components), run only when asked for
(--tasks N1,…): a check that the changes carry over to what they weren't tuned on.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01Uirha5F5gJt93t3yEx3XcS
 		2026-11-09 09:36:50 +08:00
..
README.md A computer-use benchmark: eight fixed tasks on a throwaway box, timed step by step 2026-11-09 09:00:48 +08:00
run.py Screen steps name their controls first, and a batch takes a whole row of keys; four held-out tasks 2026-11-09 09:36:50 +08:00

README.md

電腦操作量測

固定 8 題，在一台測試用的 box 上跑，記下每題成功沒有、步數、總時間（模型思考和工具各多少）、換了幾次路，以及每一步的過程（transcript）。改了 Bot 做事的方式之後，用它比較前後。

# 題目 應該走的路 檢查
T1 時區改成東京 指令（box 沒有 systemd，改 /etc/localtime） /etc/localtime 指到 Tokyo
T2 用計算機 App 算 1234 × 5678 畫面 答案是 7006652，而且 galculator 真的在跑
T3 Chromium 預設搜尋引擎改成 Bing 畫面或瀏覽器 Chromium 的設定檔寫著 bing（最多等 15 秒）
T4 照片依修改月份分資料夾 指令 三個資料夾各 4 張、最上層沒剩
T5 建資料夾再改名 指令 新名字在、舊名字不在
T6 裝 tree、回報版本 指令 tree --version 跑得動
T7 維基百科查台北 101 高度 瀏覽器 答案有 508
T8 填表送出、回報確認碼 瀏覽器 確認碼正確（由六個欄位算出來）

每題開始前：關掉上一題留下的桌面 App、做那一題的準備（以 box 的 root 執行），聊天從乾淨的狀態開始。

怎麼跑

絕對不要對真正的 box 跑。測試 box 要有自己的名字、自己的硬碟（ANYBOT_BOX_VOLUME，否則 AnyBot 會接手同一台 Docker 上原本的 box）和自己的映像檔名稱（ANYBOT_BOX_IMAGE，否則量新版本時會重建真正的 box 用的映像檔），資料夾要是複本：

B=<暫存資料夾>   # 裡面放 state.template.json（一個 Bot、金鑰、local_never: true）和 data/box/config.json
env ANYBOT_BOX_NAME=anybot-box-bench ANYBOT_BOX_VOLUME=anybot-box-bench-home ANYBOT_BOX_IMAGE=anybot-box-bench:1 \
  python3 -I run.py --bin <anybot 執行檔> --template $B/state.template.json --data $B/data \
  --docker-host <Docker 主機> --out $B/results.json --runs 2 [--tasks T1,T3] [--keep-skills]
  • --keep-skills：把上一題學到的技能帶到下一題（量「重播學會的做法」）。
  • Bot 的 step_model 設 "off" 是每一步都用同一個模型；留空是「想的跟做的分開」。

2026-11-09 的結果（box 在 Mac 上的 Lima VM、gVisor；grok-4.7；每題 2 次）

成功 總步數 總時間 模型思考
改之前 14/16 120 1114 秒 1015 秒
改之後，每一步同一個模型 16/16 88 824 秒 746 秒
改之後，想的跟做的分開（快速模型 grok-4.20-0309-non-reasoning） 16/16 102 574 秒 471 秒

重播：時區那題第一次 9 步、49 秒並學到 2 個可重播的步驟，第二次直接重播 4 步、15 秒。內容每次不同的題目（填表、計算）只存做法、不存步驟。

量測途中找到、修好的：box 上的 sudo 被安全規則擋掉（時區題一直失敗的原因）、gVisor 裡 setuid 不起作用、元素編號每看一次就重編（同一步的第二個點擊會點錯）、背景視窗的元素排在前面、網頁編號不進 shadow DOM、box 的 TZ=UTC 讓改時區看起來沒效、開新 box 撞埠號（重試後沒網路）。

之後拿掉了 box 映像檔的 ENV TZ=UTC（box 版本 8）。已知還沒解決：快速模型在純畫面操作（計算機）比較笨手笨腳。