AnswersPublished19 sources
InAgents 90,2 % i OSWorld peger på, at AI-agenters “harness” er blevet afgørende
Intelligence Indeed oplyste, at InAgent/Z Agent nåede 90,2 % i OSWorld – den første rapporterede score over 90 % – på den almindeligt anvendte konfiguration med 361 opgaver. OSWorld måler agenters evne til at arbejde i rigtige computerprogrammer og evaluerer den endelige systemtilstand, ikke blot kvaliteten af et te...
Udgivet afRedigeret med GPT-5.6 TerraBilleder genereret med GPT Image 2
Research answer
Key takeaways
- Intelligence Indeed oplyste, at InAgent/Z Agent nåede 90,2 % i OSWorld – den første rapporterede score over 90 % – på den almindeligt anvendte konfiguration med 361 opgaver.
- OSWorld måler agenters evne til at arbejde i rigtige computerprogrammer og evaluerer den endelige systemtilstand, ikke blot kvaliteten af et tekstsvar.
- En gennemførelsesrate på 90,2 % efterlader stadig 9,8 % mislykkede opgaver. Derfor kræver vigtige arbejdsgange verificering, klare rettigheder, håndtering af undtagelser og ofte menneskelig godkendelse.
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
Intelligence Indeed oplyste i august 2026, at virksomhedens computerstyringsprodukt – kaldet Z-Agent i virksomhedens egen meddelelse og InAgent i anden omtale – havde nået en opgavesuccesrate på 90,2 % i OSWorld. Ifølge omtalen var det den første rapporterede deltager over 90 %-grænsen, og systemet blev også placeret øverst på en delrangliste for agent-frameworks. 18
22
Det centrale er dog ikke, at én enkelt model dermed har løst automatisering af skrivebordet. Resultatet peger snarere på, at en agents præstation i stigende grad afhænger af dens harness: softwaren omkring modellen, som omsætter en plan til kontrollerede handlinger, tjekker om de lykkes, og håndterer fejl undervejs.
De rapporterede resultater
Omtalen af InAgents OSWorld-evaluering angiver følgende resultater:
- 90,2 % samlet opgavesucces
- 84,7 % på opgaver på tværs af programmer
- 92,3 % på GIMP-opgaver
- 100 % på systemopgaver
22
Tallene er rapporterede resultater og ikke uafhængigt auditerede fund. Det medfølgende kildemateriale indeholder ikke en offentlig teknisk rapport, der isolerer, hvilken grundmodel, hvilke værktøjer, prompts, evalueringsindstillinger eller harness-komponenter der skabte de enkelte delresultater. Det er en vigtig skelnen: En benchmarkscore måler en samlet konfiguration af model og system – ikke modellens intelligens isoleret.
En placering på en rangliste er heller ikke nødvendigvis varig. Et tredjepartsøjebliksbillede fra september 2026 angiver eksempelvis Qwen3.8 Max til 86,1 % på OSWorld-Verified. Det illustrerer, at både ranglister og evalueringskonfigurationer kan ændre sig over tid. 3
Derfor er OSWorld en krævende test
OSWorld er lavet til at teste agenter i reelle computermiljøer – ikke blot deres evne til at svare på spørgsmål om skærmbilleder eller navigere i simulerede websider. Den oprindelige benchmark omfatter 369 virkelighedsnære opgaver i blandt andet Chromium, LibreOffice, GIMP, Thunderbird, VLC og Visual Studio Code, samt opgaver på operativsystemniveau og på tværs af flere programmer. Resultaterne kontrolleres ud fra den konfigurerede tilstand i miljøet med eksekveringsbaserede tjek. 2
14
Den ofte brugte konfiguration med 361 opgaver udelader otte Google Drive-opgaver, som kan kræve manuel opsætning. 14
Det gør OSWorld mere krævende end en test af, om en agent kan forudsige det næste klik. Agenten skal navigere i brugerflader, holde styr på fremskridt over mange trin, ændre filer eller programtilstande og ende med computeren i den ønskede tilstand.
Sammenlignet med benchmarkens udgangspunkt er en rapporteret score på 90,2 % opsigtsvækkende. OSWorlds oprindelige reference viste, at mennesker gennemførte mere end 72,36 % af opgaverne, mens den bedste model nåede 12,24 %. 14 Det er dog ikke et universelt mål for arbejdskompetence: Resultater afhænger af opgaveudvalg, miljøopsætning, handlingsbudgetter, værktøjer og agentens harness.
Fra prompt til harness
En prompt fortæller modellen, hvad den skal gøre. Context engineering bestemmer, hvilke oplysninger modellen får. Harness engineering handler om runtime-systemet: hvordan agenten observerer, handler, gemmer tilstand, bekræfter afslutning og genopretter efter fejl.
En forskningsoversigt beskriver execution harness som den infrastruktur, der former agentens perception, handlinger og evne til at opdage og rette fejl. Det omfatter blandt andet observationsdesign, handlingsrum, isolering af eksekvering, kontekststyring og verifikationssløjfer. 28
For en agent, der arbejder på en computer, skal et robust harness typisk løse seks opgaver:
- Opdele arbejdsgangen i testbare delmål. I stedet for blot at bede agenten om at “opdatere en ordre” kan systemet kræve, at den finder posten, validerer felter, foretager ændringen, vedhæfter dokumentation og bekræfter, at ændringen er gemt.
- Vælge den rigtige handlingskanal. Et API, en kommando eller et struktureret værktøj kan være mere pålideligt end et museklik, hvis det findes og må bruges. GUI-styring kan dække de trin, der ikke har en maskinlæsbar grænseflade.
- Bevare holdbar tilstand. Agenten skal vide, hvad den allerede har udført, hvilket program og hvilken post der er aktiv, hvilke filer der er oprettet, og om et forsøg kan gentages sikkert.
- Kontrollere resultatet i det autoritative system. Agentens egen besked om succes er ikke dokumentation. Harnesset kan tjekke et API-svar, en databaseværdi, en gemt fil eller tilstanden i et program.
- Gendanne sikkert efter fejl. Det kræver regler for forældede sider, mislykkede klik, pop op-vinduer, tidsudløb, delvise indsendelser og afbrudt login.
- Håndhæve rettigheder og sporbarhed. Logfiler, handlingsspor, godkendelsesporte og begrænsede adgangsrettigheder gør væsentlige handlinger mere kontrollerbare og lettere at revidere.
Der er også empirisk belæg for, at dette lag kan flytte resultater markant. Ét studie fandt, at ti iterationer af agentic harness engineering løftede pass@1 på Terminal-Bench 2 fra 69,7 % til 77,0 %, over den angivne baseline på 71,9 % for et menneskedesignet harness. Det er en anden benchmark og bekræfter derfor ikke InAgents OSWorld-score, men det understøtter den bredere pointe: Runtime-designet kan give store forbedringer uden blot at udskifte modellen. 29
Hvorfor kombinationen af API og GUI er interessant
Den rapporterede kommercielle styrke ved InAgent er en hybridtilgang: Agenten bruger programmatisk adgang, hvor den findes, men bevarer menneskelignende GUI-styring til programmer uden egnede API'er. 22
Det adresserer et velkendt virksomhedsproblem. Mange arbejdsgange spænder over både moderne tjenester med brugbare API'er og ældre desktopprogrammer, leverandørportaler eller interne systemer, hvor den eneste praktiske adgang er den skærm, som medarbejdere bruger.
I princippet kan agenten dermed vælge den mest pålidelige vej i hvert trin:
- bruge API eller kommandoer til strukturerede opslag og opdateringer;
- bruge GUI-interaktion, når grænsefladen er lukket eller forældet;
- kontrollere resultatet i et deterministisk, autoritativt system, hvor det er muligt.
Forskning i OSWorld-MCP finder tilsvarende, at værktøjskald i nogle tilfælde kan løfte succesraten for computeragenter. I de rapporterede forsøg steg OpenAI o3 fra 8,3 % til 17,6 % ved 15 trin, mens Claude 4 Sonnet steg fra 38,9 % til 45,0 % ved 50 trin. 24
GUI-automatisering er dog fortsat sårbar over for ændringer i brugerfladen, forsinkelse, pop op-vinduer, tvetydige klikmål, adgangskontrol, multifaktorgodkendelse og irreversible handlinger. Hybrid eksekvering kan mindske risikoen, men ikke fjerne den.
Hvad 90,2 % betyder i praksis
En gennemførelsesrate på 90,2 % betyder, at 9,8 % af benchmarkopgaverne ikke blev gennemført succesfuldt. Overført til hypotetiske 10.000 sammenlignelige opgaver svarer det til omkring 980 undtagelser – og det er før man tager højde for fejl, der ser ud som succes, men giver et forkert forretningsresultat.
Det gør ikke resultatet uvæsentligt. Det peger på, at computeragenter kan være på vej til at blive praktisk anvendelige i afgrænsede, gentagelige arbejdsgange med stærke kontroller. Men det er ikke en begrundelse for helt uovervåget automatisering af betalinger, juridiske indberetninger, sikkerhedskritiske processer eller ændringer med direkte kundekonsekvenser.
Ved produktionsbrug bør virksomheder derfor måle mere end en overskriftsscore:
- gennemførelse og korrekthed på egne arbejdsgange;
- fejltyper og muligheden for sikker genopretning;
- omkostning, svartid og antal handlinger;
- rettighedsgrænser og tidspunkter for godkendelse;
- dokumentation for, at en afsluttet handling faktisk ændrede den tiltænkte systemtilstand;
- størrelsen på køen af undtagelser og processen for at håndtere den.
Den nyere og sværere OSWorld 2.0 understreger behovet for forsigtighed. Den består af 108 langsigtede arbejdsgange, og den højeste rapporterede binære gennemførelsesrate var 20,6 % under benchmarkens primære måling med 500 trin. Det peger på, at agenter stadig er langt fra bredt professionelt niveau, når opgaverne bliver længere og mere realistiske. 17
Den egentlige milepæl er eksekveringsingeniørarbejdet
InAgents rapporterede 90,2 % bør først og fremmest læses som en milepæl for agent-systemengineering. Bedre prompts og rigere kontekst er stadig vigtige, men stabil automatisering afhænger i stigende grad af mekanismerne omkring modellen: opdeling af opgaver, valg af værktøj, vedvarende tilstand, verificerbar afslutning, begrænset autoritet og klare genopretningsveje.
For virksomheder er det afgørende spørgsmål derfor ikke kun, hvilken model der topper en benchmark. Det er, om agenten kan gennemføre en konkret arbejdsgang med målbar korrekthed, kontrollerede bivirkninger og sikker overdragelse til et menneske, når den ikke kan fortsætte. En høj OSWorld-score kan være et nyttigt signal i den vurdering – men den kan ikke alene bevise det.
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 "InAgents 90,2 % i OSWorld peger på, at AI-agenters “harness” er blevet afgørende"?
Intelligence Indeed oplyste, at InAgent/Z Agent nåede 90,2 % i OSWorld – den første rapporterede score over 90 % – på den almindeligt anvendte konfiguration med 361 opgaver.
What are the key points to validate first?
Intelligence Indeed oplyste, at InAgent/Z Agent nåede 90,2 % i OSWorld – den første rapporterede score over 90 % – på den almindeligt anvendte konfiguration med 361 opgaver. OSWorld måler agenters evne til at arbejde i rigtige computerprogrammer og evaluerer den endelige systemtilstand, ikke blot kvaliteten af et tekstsvar.
What should I do next in practice?
En gennemførelsesrate på 90,2 % efterlader stadig 9,8 % mislykkede opgaver. Derfor kræver vigtige arbejdsgange verificering, klare rettigheder, håndtering af undtagelser og ofte menneskelig godkendelse.
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 ...