الإجاباتمنشور19 المصادر
نتيجة إنإيجنت البالغة 90.2%: السباق لم يعد على النموذج وحده
أفادت Intelligence Indeed بأن Z Agent، المعروف أيضاً باسم InAgent، حقق 90.2% في إعداد OSWorld المؤلف من 361 مهمة، وهي أول نتيجة مُبلّغ عنها تتجاوز 90%. يختبر OSWorld الوكلاء داخل بيئات حاسوب وتطبيقات سطح مكتب حقيقية مع فحص قائم على حالة التنفيذ، وليس عبر جودة الإجابات النصية فقط.
نشر بواسطةتم التحرير باستخدام GPT-5.6 Terraتم إنشاء الصور باستخدام GPT Image 2
إجابة البحث
الوجبات السريعة الرئيسية
- أفادت Intelligence Indeed بأن Z Agent، المعروف أيضاً باسم InAgent، حقق 90.2% في إعداد OSWorld المؤلف من 361 مهمة، وهي أول نتيجة مُبلّغ عنها تتجاوز 90%.
- يختبر OSWorld الوكلاء داخل بيئات حاسوب وتطبيقات سطح مكتب حقيقية مع فحص قائم على حالة التنفيذ، وليس عبر جودة الإجابات النصية فقط.
- حتى معدل نجاح 90.2% يترك 9.8% من المهام دون إتمام ناجح؛ لذلك تتطلب العمليات الحساسة التحقق الحتمي، وضبط الصلاحيات، ومسارات الاستثناءات والمراجعة البشرية.
موجّه الذكاء الاصطناعي
openai.comCreate a landscape editorial hero image for this Studio Global article: How did Chinese company Intelligence Indeed’s InAgent become the first computer-use agent to exceed 90% on the OSWorld benchmark—achieving 9. Article summary: The reported result is best understood as a system-level achievement, not evidence that InAgent has a uniquely superior foundation model. InAgent reportedly combined model reasoning with an execution “harness” that plans. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
أعلنت شركة Intelligence Indeed في أغسطس/آب 2026 أن منتجها لاستخدام الحاسوب — الذي ظهر باسم Z-Agent في إعلان الشركة وباسم InAgent في تغطيات أخرى — حقق معدل نجاح قدره 90.2% في معيار OSWorld، ليصبح أول مشارك مُبلّغ عنه يتجاوز حاجز 90%. وقالت الشركة إن النتيجة وضعته أيضاً في المركز الأول ضمن قائمة فرعية لأطر الوكلاء. 18
22
لكن الدرس الأهم ليس أن نموذجاً واحداً حلّ مشكلة أتمتة سطح المكتب بالكامل، بل أن أداء الوكلاء يعتمد بصورة متزايدة على حزمة الوكيل التنفيذية (harness): أي البرمجيات المحيطة بالنموذج التي تحول خطته إلى أفعال منضبطة، وتتحقق من نجاحها، وتتعامل مع احتمالات تعثر سير العمل في الواقع.
ما الذي حققه إنإيجنت وفقاً للتقارير؟
تنسب التغطيات الأرقام التالية إلى تقييم إنإيجنت في OSWorld:
- 90.2% نجاح إجمالي في المهام؛
- 84.7% في المهام العابرة للتطبيقات؛
- 92.3% في مهام GIMP لتحرير الصور؛
- 100% في المهام على مستوى نظام التشغيل.
22
هذه نتائج مُعلَن عنها وليست نتائج تدقيق مستقل. كما أن المواد المتاحة لا تتضمن تقريراً تقنياً علنياً يعزل بدقة أثر النموذج الأساسي، وأدوات التنفيذ، والتعليمات، وإعدادات التقييم، ومكونات الحزمة التنفيذية في كل نتيجة. وهذه نقطة جوهرية: نتيجة أي معيار لوكيل تقيس منظومة النموذج والنظام معاً، لا «ذكاء» النموذج منفرداً.
ومن المهم كذلك التمييز بين ادعاء تاريخي عن الصدارة وبين ترتيب دائم. فلقطة مستقلة للوحة OSWorld-Verified في سبتمبر/أيلول 2026 وضعت نظاماً آخر، هو Qwen3.8 Max، عند 86.1%، ما يوضح أن ترتيب اللوحات وإعدادات التقييم يمكن أن يتغيرا بمرور الوقت. 3
لماذا يُعد OSWorld اختباراً مهماً؟
صُمم OSWorld لاختبار الوكلاء داخل بيئات حاسوب حقيقية، لا لمجرد الإجابة عن أسئلة حول لقطات شاشة أو صفحات ويب محاكاة. ويضم المعيار الأصلي 369 مهمة واقعية عبر تطبيقات مثل Chromium وLibreOffice وGIMP وThunderbird وVLC وVisual Studio Code، إلى جانب مهام نظام التشغيل والمهام التي تمتد عبر عدة تطبيقات. ويُقاس النجاح من خلال فحوص تنفيذية لحالة البيئة بعد إتمام المهمة. 2
14
ويستبعد الإعداد الشائع المؤلف من 361 مهمة ثماني مهام مرتبطة بـ Google Drive قد تتطلب إعداداً يدوياً. 14
لهذا فهو أصعب من اختبار يتنبأ بالنقرة التالية. فالوكيل الناجح يحتاج إلى التنقل في الواجهات، والحفاظ على التقدم عبر خطوات متعددة، والتعامل مع الملفات أو حالة التطبيقات، وترك الجهاز في الحالة النهائية المطلوبة.
وتبرز أهمية ادعاء 90.2% عند النظر إلى الخلفية التاريخية: فقد أظهرت النتائج المرجعية المنشورة عند إطلاق OSWorld أن البشر أكملوا أكثر من 72.36% من المهام، بينما حقق أفضل نموذج 12.24% فقط. 14 ومع ذلك، لا ينبغي تحويل المقارنة إلى مقياس شامل لكفاءة العمل المكتبي؛ إذ تتأثر نتائج المعايير باختيار المهام، وإعداد البيئة، وميزانية الأفعال، والأدوات، وحزمة الوكيل نفسها.
الانتقال من هندسة التعليمات إلى هندسة الحزمة التنفيذية
تحدد هندسة التعليمات (prompt engineering) ما يطلب من النموذج فعله، بينما تحدد هندسة السياق المعلومات التي يتلقاها. أما هندسة الحزمة التنفيذية (harness engineering) فتصمم نظام التشغيل المحيط بالوكيل: كيف يلاحظ البيئة، ويتصرف، ويحفظ الحالة، ويتحقق من الإنجاز، ويتعافى من الخطأ.
وتصف مراجعة بحثية لتصميم أنظمة الوكلاء الحزمة التنفيذية بأنها بنية تحتية تشكل إدراك الوكيل وأفعاله وقدرته على اكتشاف الأخطاء والتعافي منها، بما يشمل تصميم الملاحظات، ومساحات الأفعال، وعزل التنفيذ، وإدارة السياق، وحلقات التحقق. 28
وفي وكيل استخدام الحاسوب، تحتاج الحزمة الجيدة عادة إلى ست وظائف أساسية:
- تفكيك سير العمل إلى أهداف فرعية قابلة للاختبار: بدلاً من طلب «تحديث طلب»، يمكن إلزام الوكيل بالعثور على السجل، والتحقق من الحقول، وتنفيذ التعديل، وإرفاق الدليل، ثم التأكد من حفظ التغيير.
- توجيه الفعل إلى الواجهة الأنسب: قد تكون واجهة برمجة التطبيقات أو الأمر البرمجي أفضل من نقرة بالفأرة إذا كانت متاحة ومصرحاً بها، فيما تتولى واجهة الاستخدام الرسومية الخطوات التي لا تتوفر لها واجهة مقروءة آلياً.
- الاحتفاظ بحالة دائمة: يحتاج الوكيل إلى سجل لما أنجزه، وحالة التطبيق الحالية، والعناصر المختارة، والملفات، وما إذا كانت إعادة المحاولة آمنة.
- التحقق من النتيجة عبر مصدر السجل: قول النموذج إنه نجح ليس دليلاً. يمكن للحزمة فحص استجابة API أو قيمة في قاعدة بيانات أو ملف محفوظ أو حالة تطبيق.
- التعافي بأمان: عبر سياسات للتعامل مع الصفحات القديمة، والنقرات الفاشلة، والنوافذ المنبثقة، وانتهاء المهلات، والإرسالات الجزئية، وانقطاع المصادقة.
- فرض الصلاحيات وقابلية المراقبة: تسهّل السجلات وآثار الأفعال وبوابات الموافقة وبيانات الاعتماد المقيدة مراجعة الأعمال المؤثرة وجعلها أكثر أماناً.
وتشير أدلة تجريبية إلى أن هذه الطبقة قد تؤثر مادياً في الأداء. فقد وجدت إحدى الدراسات أن عشر دورات من هندسة حزمة وكيل رفعت نتيجة pass@1 في Terminal-Bench 2 من 69.7% إلى 77.0%، متجاوزة خط أساس لحزمة صممها بشر عند 71.9%. وهذا معيار مختلف، لذا لا يثبت نتيجة إنإيجنت في OSWorld، لكنه يدعم الفكرة الأوسع: تصميم بيئة التشغيل قد يحقق قفزات كبيرة من دون مجرد استبدال النموذج. 29
لماذا يجذب النهج الهجين بين API وواجهة الاستخدام الرسومية الشركات؟
تتمثل الجاذبية الاستراتيجية المبلّغ عنها لإنإيجنت في نهج هجين: استخدام الواجهات البرمجية الموثوقة حيث تتوفر، مع الإبقاء على تحكم شبيه بتحكم الإنسان عبر واجهة المستخدم الرسومية للتطبيقات التي تفتقر إلى API مناسبة. 22
وهذا يعالج مشكلة عملية لدى المؤسسات. فكثير من الإجراءات تمتد بين خدمات حديثة تملك واجهات برمجية قابلة للاستخدام، وبين برامج مكتبية قديمة، وبوابات مورّدين، وأنظمة داخلية لا يكون الطريق العملي إليها سوى الشاشة التي يستخدمها الموظف.
ومن حيث المبدأ، يستطيع الوكيل اختيار المسار الأكثر موثوقية في كل خطوة:
- استخدام API أو أمر برمجي للاسترجاع والتحديث المنظمين؛
- استخدام واجهة رسومية لتشغيل نظام قديم أو مغلق؛
- فحص النتيجة عبر مصدر سجل حتمي متى أمكن.
وتوصل بحث OSWorld-MCP كذلك إلى أن استدعاء الأدوات يمكن أن يحسن نجاح مهام استخدام الحاسوب في بعض الإعدادات. ففي التجارب المُعلنة، رفع إضافة أدوات MCP نتيجة OpenAI o3 من 8.3% إلى 17.6% خلال 15 خطوة، وClaude 4 Sonnet من 38.9% إلى 45.0% خلال 50 خطوة. 24
لكن أتمتة الواجهة الرسومية تظل معرضة لتغيّر الواجهات، والتأخر، والنوافذ المنبثقة، والأهداف الملتبسة، وضوابط الوصول، والمصادقة متعددة العوامل، والأفعال غير القابلة للعكس. والنهج الهجين قد يقلل هذه المخاطر، لكنه لا يلغيها.
ماذا تعني نسبة 90.2% عند النشر الفعلي؟
تعني نسبة إتمام 90.2% أن 9.8% من مهام المعيار لم تكتمل بنجاح. وفي سيناريو افتراضي من 10,000 مهمة مشابهة، يعادل ذلك نحو 980 حالة استثناء، قبل احتساب الأخطاء التي تبدو ناجحة ظاهرياً لكنها تنتج نتيجة عمل خاطئة.
ولا يجعل ذلك النتيجة غير مهمة. بل يوحي بأن وكلاء استخدام الحاسوب قد يقتربون من فائدة حقيقية في الإجراءات المحددة والمتكررة، بشرط وجود ضوابط قوية. لكنه ليس مبرراً لأتمتة غير مراقبة للمدفوعات أو الإقرارات القانونية أو العمليات الحرجة للسلامة أو التغييرات التي تؤثر في العملاء.
وعند تقييم الاستخدام الإنتاجي، ينبغي للفرق النظر إلى ما هو أبعد من معدل النجاح الرئيسي، ومنها:
- الإتمام والصحة الفعلية في إجراءات العمل الخاصة بها؛
- أنماط الفشل وإمكانات التعافي؛
- التكلفة وزمن الاستجابة وعدد الأفعال؛
- حدود الصلاحيات ونقاط الموافقة؛
- دليل يثبت أن كل فعل مكتمل غيّر حالة النظام المقصود فعلاً؛
- حجم طابور الاستثناءات وآلية التعامل معه.
ويعزز معيار OSWorld 2.0 الأحدث والأصعب الحاجة إلى الحذر. فهو يضم 108 إجراءات طويلة المدى، وكانت أفضل نتيجة مُعلنة للإتمام الثنائي فيه 20.6% وفق المقياس الأساسي البالغ 500 خطوة؛ وهي إشارة إلى أن الوكلاء ما زالوا بعيدين عن استخدام حاسوب احترافي واسع النطاق عندما تطول المهام وتقترب أكثر من الواقع. 17
المحطة الحقيقية: هندسة التنفيذ
من الأفضل قراءة نتيجة إنإيجنت المُعلنة، 90.2%، بوصفها محطة في هندسة أنظمة الوكلاء. فالتعليمات الأفضل والسياق الأغنى ما زالا مهمين، لكن الأتمتة الموثوقة تعتمد أكثر فأكثر على الآليات المحيطة بالنموذج: تفكيك العمل، واختيار الأدوات، والحالة المستمرة، والتحقق القابل للإثبات، والصلاحيات المحدودة، ومسارات التعافي.
وبالنسبة إلى المؤسسات، ليس السؤال المفيد هو: أي نموذج يتصدر معياراً؟ بل: هل يستطيع الوكيل تنفيذ إجراء محدد بدقة قابلة للقياس، وآثار جانبية مضبوطة، وتسليم آمن للإنسان عندما يتعذر عليه المتابعة؟ قد تساعد نتيجة مرتفعة في OSWorld على استكشاف الإجابة، لكنها لا تكفي وحدها لإثباتها.
Studio Global AI
مواصلة البحث الخاص بك
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
يسأل الناس أيضا
ما هي الإجابة المختصرة على "نتيجة إنإيجنت البالغة 90.2%: السباق لم يعد على النموذج وحده"؟
أفادت Intelligence Indeed بأن Z Agent، المعروف أيضاً باسم InAgent، حقق 90.2% في إعداد OSWorld المؤلف من 361 مهمة، وهي أول نتيجة مُبلّغ عنها تتجاوز 90%.
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
أفادت Intelligence Indeed بأن Z Agent، المعروف أيضاً باسم InAgent، حقق 90.2% في إعداد OSWorld المؤلف من 361 مهمة، وهي أول نتيجة مُبلّغ عنها تتجاوز 90%. يختبر OSWorld الوكلاء داخل بيئات حاسوب وتطبيقات سطح مكتب حقيقية مع فحص قائم على حالة التنفيذ، وليس عبر جودة الإجابات النصية فقط.
ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟
حتى معدل نجاح 90.2% يترك 9.8% من المهام دون إتمام ناجح؛ لذلك تتطلب العمليات الحساسة التحقق الحتمي، وضبط الصلاحيات، ومسارات الاستثناءات والمراجعة البشرية.
المصادر
globenewswire.comIntelligence Indeed's Z-Agent Becomes OSWorld's First 90%+
benchlm.aiOSWorld-Verified Leaderboard & Scores — August 2026
arxiv.orgOSWorld-Human: Benchmarking the Efficiency of Computer-Use ...
osworld-v1.xlang.aiOSWorld: Benchmarking Multimodal Agents for Open-Ended ...