AnswersPublished19 sources
InAgentin 90,2 %:n OSWorld-tulos kertoo, miksi agenttien suoritusympäristö ratkaisee
Intelligence Indeed raportoi InAgentin eli Z Agentin saavuttaneen 90,2 %:n tehtävien onnistumisasteen OSWorldissa – ensimmäisenä raportoituna toimijana yli 90 %:n rajan. OSWorld mittaa agentin toimintaa oikeissa työpöytä ja selainympäristöissä, joissa lopputulos tarkistetaan järjestelmän tilasta eikä pelkästä teksti...
JulkaisijaMuokattu mallilla GPT-5.6 TerraKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- Intelligence Indeed raportoi InAgentin eli Z Agentin saavuttaneen 90,2 %:n tehtävien onnistumisasteen OSWorldissa – ensimmäisenä raportoituna toimijana yli 90 %:n rajan.
- OSWorld mittaa agentin toimintaa oikeissa työpöytä ja selainympäristöissä, joissa lopputulos tarkistetaan järjestelmän tilasta eikä pelkästä tekstivastauksesta.
- 90,2 %:n onnistumisaste tarkoittaisi silti 9,8 %:n epäonnistumisosuutta. Tuotantokäyttö tarvitsee siksi varmennuksia, rajattuja käyttöoikeuksia, poikkeusjonoja ja ihmisen hyväksyntäpisteitä.
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 kertoi elokuussa 2026, että sen tietokoneita käyttävä agenttituote saavutti 90,2 %:n tehtävien onnistumisasteen OSWorld-arvioinnissa. Yhtiö käyttää tiedotteessaan nimeä Z-Agent, kun taas muussa uutisoinnissa tuotteesta puhutaan nimellä InAgent. Raportoidusti kyse oli ensimmäisestä yli 90 prosentin tuloksesta, ja agentti nousi myös agenttikehysten alataulukon kärkeen. 18
22
Tulos on huomionarvoinen, mutta sen tärkein opetus ei ole se, että yksi malli olisi ratkaissut työpöytäautomaation. Agentin tulos syntyy yhä enemmän suoritusympäristöstä eli harnessista: ohjelmistokerroksesta, joka muuttaa mallin suunnitelman hallituiksi toimiksi, tarkistaa lopputuloksen ja käsittelee epäonnistumisia.
Mitä InAgentin kerrottiin saavuttaneen
InAgentille on raportoitu OSWorldissa seuraavat tulokset:
- 90,2 % kaikista tehtävistä
- 84,7 % sovellusten välisistä tehtävistä
- 92,3 % GIMP-tehtävistä
- 100 % järjestelmätason tehtävistä.
22
Luvut ovat raportoitua tietoa, eivät riippumattomasti auditoituja tuloksia. Saatavilla olevassa aineistossa ei ole julkista teknistä raporttia, joka erittelisi käytetyn perusmallin, työkalut, kehotteet, arviointiasetukset tai harnessin osat. Siksi benchmark-pistemäärä mittaa aina mallin ja järjestelmän yhdistelmää, ei pelkästään mallin älykkyyttä.
Myös kärkipaikka on ajankohdan ja arviointiasetusten varassa. Syyskuun 2026 kolmannen osapuolen leaderboard-tilannekuvassa OSWorld-Verifiedin kärjessä oli Qwen3.8 Max 86,1 prosentin tuloksella. Tämä havainnollistaa, että vertailutaulukot ja niiden kokoonpanot muuttuvat ajan mittaan. 3
Miksi OSWorld on vaativa mittari
OSWorld testaa agentteja oikeissa tietokoneympäristöissä, ei vain ruutukaappauksiin tai simuloituihin verkkosivuihin perustuvissa tehtävissä. Alkuperäiseen vertailuun kuuluu 369 todellista tehtävää muun muassa Chromiumissa, LibreOfficessa, GIMPissä, Thunderbirdissa, VLC:ssä ja Visual Studio Codessa sekä käyttöjärjestelmä- ja usean sovelluksen työnkulkuja. Onnistuminen tarkistetaan ympäristön lopputilasta suoritukseen perustuvilla arvioijilla. 2
14
Yleisesti käytetty 361 tehtävän kokoonpano jättää pois kahdeksan Google Drive -tehtävää, jotka voivat vaatia käsin tehtävää asetusten valmistelua. 14
Agentin on siis kyettävä navigoimaan käyttöliittymissä, säilyttämään tilannekuva monivaiheisen työn aikana, käsittelemään tiedostoja ja sovellustilaa sekä jättämään kone odotettuun lopputilaan.
Vertailun historiallinen lähtötaso tekee 90,2 prosentin väitteestä merkittävän. OSWorldin alkuperäisessä julkaistussa vertailussa ihmiset suorittivat yli 72,36 % tehtävistä, kun paras malli ylsi 12,24 %:iin. 14 Lukua ei silti pidä tulkita yleiseksi mittariksi työelämävalmiudesta: tulokseen vaikuttavat tehtävävalinta, ympäristön asetukset, toimintobudjetti, työkalut ja agentin harness.
Kehotteista suoritusympäristön suunnitteluun
Kehote kertoo mallille, mitä sen pitäisi tehdä. Kontekstisuunnittelu määrittää, mitä tietoa malli saa. Harness engineering eli agentin suoritusympäristön suunnittelu koskee sitä, miten järjestelmä havainnoi, toimii, ylläpitää tilaa, varmistaa valmistumisen ja palautuu virheistä.
Agenttijärjestelmien suunnittelua käsittelevä tutkimuskatsaus kuvaa execution harnessin infrastruktuuriksi, joka muovaa agentin havaintoja, toimintoja sekä kykyä havaita ja korjata virheitä. Siihen kuuluvat esimerkiksi havaintojen suunnittelu, toimintatilat, suorituksen eristäminen, kontekstinhallinta ja varmennussilmukat. 28
Tietokonetta käyttävä agentti tarvitsee käytännössä vähintään kuutta kyvykkyyttä:
- Työnkulun pilkkominen testattaviksi osatavoitteiksi. Esimerkiksi tilauksen päivitys voidaan jakaa tietueen hakemiseen, kenttien tarkistamiseen, muutoksen tekemiseen, todisteen liittämiseen ja tallennuksen varmistamiseen.
- Toiminnon ohjaaminen oikeaan rajapintaan. API, komentorivityökalu tai muu rakenteinen työkalu voi olla hiiren klikkausta luotettavampi, jos se on saatavilla ja sallittu. Graafinen käyttöliittymä jää vaihtoehdoksi, kun koneellista rajapintaa ei ole.
- Pysyvän tilan ylläpito. Järjestelmän on tiedettävä, mitä on jo tehty, missä sovelluksessa ollaan, mikä kohde on valittuna ja onko toiminto turvallista yrittää uudelleen.
- Lopputuloksen tarkistus tietolähteestä. Mallin oma ilmoitus onnistumisesta ei riitä. Harness voi tarkistaa API-vastauksen, tietokanta-arvon, tallennetun tiedoston tai sovelluksen tilan.
- Turvallinen palautuminen. Tarvitaan toimintatavat vanhentuneille sivuille, epäonnistuneille klikkauksille, ponnahdusikkunoille, aikakatkaisuille, osittaisille lähetyksille ja kirjautumisen katkeamisille.
- Käyttöoikeuksien ja jäljitettävyyden hallinta. Lokit, toimintojäljet, hyväksyntäportit ja rajatut tunnukset tekevät vaikutuksiltaan merkittävistä toimista tarkastettavia ja turvallisempia.
Tälle kerrokselle on myös empiiristä näyttöä. Yhdessä tutkimuksessa kymmenen agenttiharnessin kehityskierrosta nosti Terminal-Bench 2 -vertailun pass@1-tuloksen 69,7 %:sta 77,0 %:iin, yli mainitun ihmisen suunnitteleman harnessin 71,9 prosentin tason. Kyse on eri benchmarkista, joten se ei vahvista InAgentin OSWorld-lukua. Se kuitenkin tukee laajempaa havaintoa: suoritusjärjestelmän suunnittelu voi tuoda suuria parannuksia ilman pelkkää mallinvaihtoa. 29
Miksi API- ja käyttöliittymäagentin yhdistelmä kiinnostaa yrityksiä
InAgentin raportoidun lähestymistavan kaupallinen vetovoima on hybridimalli: luotettavia ohjelmallisia rajapintoja käytetään siellä, missä niitä on, mutta agentti säilyttää myös ihmisen kaltaisen GUI-ohjauksen sovelluksille, joilla ei ole sopivaa APIa. 22
Tämä vastaa monen organisaation arkea. Työnkulku voi kulkea sekä nykyaikaisten API-palvelujen että vanhojen työpöytäsovellusten, toimittajaportaalien ja sisäisten järjestelmien läpi. Viimeksi mainituissa ainoa käytännöllinen käyttökanava voi olla sama näkymä, jota työntekijä käyttää.
Periaatteessa agentti voi valita kussakin vaiheessa luotettavimman reitin:
- käyttää APIa tai komentoa rakenteiseen hakuun ja päivitykseen;
- käyttää käyttöliittymää vanhassa tai suljetussa järjestelmässä;
- varmistaa lopputuloksen mahdollisuuksien mukaan deterministisestä tietolähteestä.
OSWorld-MCP:tä käsittelevä tutkimus tukee ajatusta siitä, että työkalukutsut voivat parantaa tietokonetta käyttävien agenttien tuloksia joissakin asetelmissa. Raportoiduissa kokeissa MCP-työkalujen lisääminen nosti OpenAI o3:n onnistumisasteen 15 askeleella 8,3 prosentista 17,6 prosenttiin ja Claude 4 Sonnetin 50 askeleella 38,9 prosentista 45,0 prosenttiin. 24
GUI-automaatio altistuu silti käyttöliittymämuutoksille, viiveille, ponnahdusikkunoille, epäselville kohteille, käyttöoikeusrajoille, monivaiheiselle tunnistautumiselle ja peruuttamattomille toimille. Hybriditoteutus voi pienentää riskejä, mutta ei poista niitä.
Mitä 90,2 % merkitsee käyttöönotossa
90,2 prosentin suoritusaste tarkoittaa, että 9,8 % benchmark-tehtävistä ei valmistunut onnistuneesti. Jos tehtäviä olisi hypoteettisesti 10 000 ja ne vastaisivat arvioinnin tehtäviä, poikkeuksia syntyisi noin 980 – ennen kuin huomioidaan virheet, jotka näyttävät onnistumiselta mutta tuottavat väärän liiketoimintatuloksen.
Tämä ei tee tuloksesta vähäpätöistä. Se viittaa siihen, että tietokonetta käyttävät agentit voivat lähestyä hyödyllisyyttä rajatuissa, toistuvissa työnkuluissa, jos kontrollit ovat vahvat. Se ei kuitenkaan oikeuta valvomattomaan automaatioon esimerkiksi maksuissa, viranomaisilmoituksissa, turvallisuuskriittisissä tehtävissä tai asiakasvaikutteisissa muutoksissa.
Tuotantokäytössä otsikkolukua tärkeämpiä arviointikohteita ovat:
- valmistuminen ja oikeellisuus organisaation omissa työnkuluissa;
- virhetilat ja niistä palautuminen;
- kustannus, viive ja toimintojen määrä;
- käyttöoikeusrajat ja hyväksyntäpisteet;
- todiste siitä, että toiminto todella muutti tarkoitettua järjestelmätilaa;
- poikkeusjonon koko ja käsittelyprosessi.
Uudempi ja vaikeampi OSWorld 2.0 korostaa varovaisuutta. Se sisältää 108 pitkää työnkulkua, ja sen ensisijaisella 500 askeleen binäärisellä valmistumismittarilla paras raportoitu tulos oli 20,6 %. Tämä viittaa siihen, että agentit ovat yhä kaukana laaja-alaisesta, ammattilaistasoisesta tietokoneen käytöstä, kun tehtävät pitenevät ja muuttuvat realistisemmiksi. 17
Todellinen virstanpylväs on toteutuksen suunnittelu
InAgentin raportoitu 90,2 prosentin tulos kannattaa lukea ennen kaikkea agenttijärjestelmien suunnittelun virstanpylväänä. Paremmat kehotteet ja rikkaampi konteksti ovat edelleen tärkeitä, mutta luotettava automaatio syntyy yhä useammin mallin ympärille rakennetusta koneistosta: osatehtävistä, työkalujen valinnasta, pysyvästä tilasta, todennettavasta valmistumisesta, rajatusta toimivallasta ja palautumispoluista.
Yrityksille olennaisin kysymys ei siksi ole vain se, mikä malli johtaa benchmarkia. Ratkaisevaa on, pystyykö agentti suorittamaan tietyn työnkulun mitattavasti oikein, hallituin sivuvaikutuksin ja turvallisella siirrolla ihmiselle silloin, kun se ei pysty jatkamaan. Korkea OSWorld-tulos voi auttaa arvioimaan tätä potentiaalia, mutta se ei yksin todista sitä.
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 "InAgentin 90,2 %:n OSWorld-tulos kertoo, miksi agenttien suoritusympäristö ratkaisee"?
Intelligence Indeed raportoi InAgentin eli Z Agentin saavuttaneen 90,2 %:n tehtävien onnistumisasteen OSWorldissa – ensimmäisenä raportoituna toimijana yli 90 %:n rajan.
What are the key points to validate first?
Intelligence Indeed raportoi InAgentin eli Z Agentin saavuttaneen 90,2 %:n tehtävien onnistumisasteen OSWorldissa – ensimmäisenä raportoituna toimijana yli 90 %:n rajan. OSWorld mittaa agentin toimintaa oikeissa työpöytä ja selainympäristöissä, joissa lopputulos tarkistetaan järjestelmän tilasta eikä pelkästä tekstivastauksesta.
What should I do next in practice?
90,2 %:n onnistumisaste tarkoittaisi silti 9,8 %:n epäonnistumisosuutta. Tuotantokäyttö tarvitsee siksi varmennuksia, rajattuja käyttöoikeuksia, poikkeusjonoja ja ihmisen hyväksyntäpisteitä.
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 ...