AnswersPublished19 sources
InAgent hlásí 90,2 % v OSWorldu. Proč dnes rozhoduje „harness engineering“
Společnost Intelligence Indeed uvedla, že její InAgent/Z Agent dosáhl v konfiguraci OSWorld se 361 úlohami 90,2% úspěšnosti — jako první veřejně hlášený systém nad hranicí 90 %. OSWorld testuje agenty ve skutečných desktopových prostředích a vyhodnocuje výsledný stav systému, nikoli jen kvalitu textové odpovědi.
PublikovalUpraveno pomocí GPT-5.6 TerraObrázky vytvořeny pomocí GPT Image 2
Research answer
Key takeaways
- Společnost Intelligence Indeed uvedla, že její InAgent/Z Agent dosáhl v konfiguraci OSWorld se 361 úlohami 90,2% úspěšnosti — jako první veřejně hlášený systém nad hranicí 90 %.
- OSWorld testuje agenty ve skutečných desktopových prostředích a vyhodnocuje výsledný stav systému, nikoli jen kvalitu textové odpovědi.
- I při 90,2% úspěšnosti by na 10 000 srovnatelných úloh připadlo přibližně 980 neúspěšných případů.
AI Prompt
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
Společnost Intelligence Indeed v srpnu 2026 oznámila, že její produkt pro ovládání počítače — v oznámení označený jako Z-Agent, v jiné medializaci jako InAgent — dosáhl v benchmarku OSWorld 90,2% úspěšnosti úloh. Podle firmy šlo o první veřejně oznámený výsledek nad 90 % a zároveň o první místo v dílčím žebříčku agentních frameworků. 18
22
Podstatné ale není tvrzení, že jeden model už vyřešil automatizaci práce na počítači. Tento výsledek spíše ukazuje, že výkon agentů stále více závisí na harnessi: softwarové vrstvě kolem modelu, která převádí jeho plán na řízené akce, ověřuje jejich účinek a řeší selhání během skutečného pracovního postupu.
Co InAgent podle dostupných zpráv dosáhl
Mediální pokrytí připisuje InAgentu v hodnocení OSWorld tyto výsledky:
- 90,2 % celková úspěšnost úloh,
- 84,7 % u úloh napříč aplikacemi,
- 92,3 % u úloh v GIMPu,
- 100 % u systémových úloh.
22
Jde o oznámené výsledky, nikoli o nezávisle auditované závěry. Z poskytnutých zdrojů nevyplývá veřejná technická zpráva, která by odděleně popsala použitý základní model, nástroje pro akce, prompty, nastavení evaluace a jednotlivé součásti harnessu. To je důležité: skóre v benchmarku hodnotí konkrétní sestavu modelu a systému, ne izolovanou „inteligenci“ modelu.
Zároveň je potřeba rozlišovat historické prvenství od trvalé pozice v žebříčku. Snímek nezávislého leaderboardu ze září 2026 uvádí na OSWorld-Verified jiný systém, Qwen3.8 Max, s výsledkem 86,1 %. To ukazuje, že pořadí i konfigurace hodnocení se v čase mění. 3
Proč je OSWorld náročný test
OSWorld vznikl pro testování agentů ve skutečných počítačových prostředích, nikoli pro odpovědi nad screenshoty nebo simulovanými weby. Původní benchmark zahrnuje 369 reálných úloh v aplikacích jako Chromium, LibreOffice, GIMP, Thunderbird, VLC a Visual Studio Code, vedle systémových a víceaplikačních scénářů. Úspěch se ověřuje podle výsledného nastaveného stavu prostředí pomocí exekučních kontrol. 2
14
Běžně používaná konfigurace s 361 úlohami vynechává osm úloh Google Drive, které mohou vyžadovat ruční přípravu. 14
Nejde tedy o jednoduchý test, zda agent správně klikne na tlačítko. Musí se pohybovat v rozhraní, držet kontext přes více kroků, pracovat se soubory a stavem aplikací a nakonec ponechat počítač přesně v požadovaném stavu.
V tomto kontextu je tvrzených 90,2 % pozoruhodných. Původně zveřejněná referenční data OSWorldu uváděla, že lidé dokončili více než 72,36 % úloh, zatímco nejlepší model dosáhl jen 12,24 %. 14 Srovnání však nelze číst jako univerzální měřítko pracovní kompetence: výsledek ovlivňuje výběr úloh, nastavení prostředí, rozpočet akcí, nástroje i samotný harness.
Od promptů k harness engineeringu
Prompt říká modelu, co má dělat. Kontextové inženýrství určuje, jaké informace model obdrží. Harness engineering navrhuje běhový systém: jak agent pozoruje prostředí, provádí akce, uchovává stav, ověřuje dokončení a zotavuje se z chyb.
Odborný přehled popisuje execution harness jako infrastrukturu, která formuje vnímání agenta, jeho akce i schopnost chyby odhalit a napravit. Zahrnuje například podobu pozorování, akční prostor, sandbox pro provádění, správu kontextu a ověřovací smyčky. 28
U agenta ovládajícího počítač takový systém obvykle potřebuje zvládnout šest oblastí:
- Rozdělit postup na ověřitelné dílčí cíle. Namísto zadání „aktualizuj objednávku“ může systém vyžadovat vyhledání záznamu, kontrolu polí, provedení změny, připojení dokladu a ověření, že se změna skutečně uložila.
- Zvolit správné rozhraní pro akci. Je-li dostupné a povolené API, příkaz nebo strukturovaný nástroj, může být vhodnější než klikání myší. GUI pak pokrývá kroky bez strojově čitelného rozhraní.
- Udržovat trvalý stav. Agent musí vědět, co již provedl, v jakém stavu je aplikace, jaké soubory či entity vybral a zda lze akci bezpečně opakovat.
- Ověřovat výsledek ve zdrojovém systému. Tvrzení modelu, že úkol splnil, není důkaz. Harness může ověřit odpověď API, hodnotu v databázi, uložený soubor nebo stav aplikace.
- Bezpečně se zotavovat z chyb. Potřebuje pravidla pro neaktuální stránky, neúspěšná kliknutí, vyskakovací okna, timeouty, částečná odeslání a přerušení přihlášení.
- Vynucovat oprávnění a dohledatelnost. Logy, záznamy akcí, schvalovací brány a omezené přístupové údaje zvyšují kontrolovatelnost i bezpečnost důležitých operací.
Existují i empirické náznaky, že právě tato vrstva může výkon výrazně posunout. Jedna studie uvádí, že deset iterací agentního harness engineeringu zvedlo na benchmarku Terminal-Bench 2 metodu pass@1 z 69,7 % na 77,0 % — nad citovanou hodnotu 71,9 % pro člověkem navržený harness. Jde o jiný benchmark, a neověřuje tedy skóre InAgentu v OSWorldu. Podporuje ale širší závěr, že promyšlený runtime může přinést výrazné zlepšení i bez prosté výměny modelu. 29
Proč dává kombinace API a GUI obchodní smysl
Uváděná strategická výhoda InAgentu spočívá v hybridním přístupu: využít spolehlivá programová rozhraní tam, kde existují, a zároveň si ponechat ovládání grafického rozhraní podobné práci člověka pro aplikace bez vhodného API. 22
To odpovídá běžnému podnikovému problému. Mnoho procesů přechází mezi moderními službami s použitelným API a staršími desktopovými programy, dodavatelskými portály či interními systémy, kde je jedinou praktickou cestou obrazovka používaná zaměstnancem.
V principu tak agent může pro každý krok volit nejspolehlivější variantu:
- použít API nebo příkaz pro strukturované načtení a změnu dat;
- využít GUI pro starší či uzavřené rozhraní;
- pokud možno potvrdit výsledek deterministickou kontrolou ve zdrojovém systému.
Výzkum OSWorld-MCP obdobně ukazuje, že volání nástrojů může v některých podmínkách zlepšit úspěšnost počítačových agentů. V popsaných experimentech přidání nástrojů MCP zvýšilo u OpenAI o3 výsledek z 8,3 % na 17,6 % při 15 krocích a u Claude 4 Sonnet z 38,9 % na 45,0 % při 50 krocích. 24
GUI automatizace však dál naráží na změny rozhraní, zpoždění, vyskakovací okna, nejednoznačné cíle, řízení přístupu, vícefaktorové ověřování i nevratné akce. Hybridní provádění tato rizika může snížit, ale neodstraňuje je.
Co znamená 90,2 % pro nasazení v praxi
Úspěšnost 90,2 % zároveň znamená, že 9,8 % benchmarkových úloh nebylo úspěšně dokončeno. V hypotetickém objemu 10 000 srovnatelných úloh by šlo zhruba o 980 výjimek — a to ještě bez započtení chyb, které se navenek mohou jevit jako úspěch, ale vedou k nesprávnému obchodnímu výsledku.
To nesnižuje význam výsledku. Naznačuje, že agenti pro ovládání počítače se mohou přibližovat praktickému využití v jasně vymezených, opakovatelných procesech se silnými kontrolami. Není to ale oprávnění k plně bezobslužné automatizaci plateb, právních podání, bezpečnostně kritických operací nebo změn s dopadem na zákazníky.
Při produkčním nasazení by týmy měly hodnotit více než titulkové procento:
- dokončení i správnost na vlastních pracovních postupech;
- typické chyby a možnost bezpečné nápravy;
- náklady, latenci a počet provedených akcí;
- hranice oprávnění a místa pro schválení člověkem;
- důkaz, že provedená akce skutečně změnila zamýšlený stav systému;
- velikost fronty výjimek a proces jejího řešení.
Opatrnost podporuje i novější a náročnější benchmark OSWorld 2.0. Obsahuje 108 dlouhých pracovních postupů a jeho nejlepší uváděný výsledek v binárním metrickém hodnocení dokončení činil při hlavní metrice 500 kroků jen 20,6 %. To je připomínka, že s delšími a realističtějšími úlohami mají agenti k široce použitelné profesionální práci na počítači stále daleko. 17
Skutečný milník: inženýrství provádění
Uváděných 90,2 % InAgentu je nejlepší číst jako milník systémového inženýrství agentů. Lepší prompty i bohatší kontext zůstávají důležité. Spolehlivá automatizace ale stále více vzniká díky mechanismům kolem modelu: dělení úloh, volbě nástrojů, trvalému stavu, ověřitelnému dokončení, omezeným oprávněním a cestám pro zotavení z chyby.
Pro firmy proto není nejužitečnější otázkou jen to, který model vede benchmark. Důležitější je, zda agent dokáže provést konkrétní proces s měřitelnou správností, řízenými vedlejšími účinky a bezpečným předáním člověku ve chvíli, kdy nemůže pokračovat. Vysoké skóre OSWorldu může o tomto potenciálu něco napovědět — samo o sobě jej však nedokazuje.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "InAgent hlásí 90,2 % v OSWorldu. Proč dnes rozhoduje „harness engineering“"?
Společnost Intelligence Indeed uvedla, že její InAgent/Z Agent dosáhl v konfiguraci OSWorld se 361 úlohami 90,2% úspěšnosti — jako první veřejně hlášený systém nad hranicí 90 %.
What are the key points to validate first?
Společnost Intelligence Indeed uvedla, že její InAgent/Z Agent dosáhl v konfiguraci OSWorld se 361 úlohami 90,2% úspěšnosti — jako první veřejně hlášený systém nad hranicí 90 %. OSWorld testuje agenty ve skutečných desktopových prostředích a vyhodnocuje výsledný stav systému, nikoli jen kvalitu textové odpovědi.
What should I do next in practice?
I při 90,2% úspěšnosti by na 10 000 srovnatelných úloh připadlo přibližně 980 neúspěšných případů.
Sources
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 ...