AnswersPublished19 sources
InAgent דיווחה על 90.2% ב־OSWorld: למה הנדסת מעטפת היא המפתח לסוכני AI
Intelligence Indeed דיווחה כי InAgent, המכונה בהודעתה גם Z Agent, השיגה 90.2% בתצורת 361 המשימות של OSWorld — התוצאה המדווחת הראשונה שמעל 90%. OSWorld בוחן סוכנים בסביבות מחשב שולחני אמיתיות, באמצעות בדיקות ביצוע של מצב המערכת הסופי — ולא רק לפי תשובה טקסטואלית.
פורסם על ידינערך באמצעות GPT-5.6 Terraהתמונות נוצרו באמצעות GPT Image 2
Research answer
Key takeaways
- Intelligence Indeed דיווחה כי InAgent, המכונה בהודעתה גם Z Agent, השיגה 90.2% בתצורת 361 המשימות של OSWorld — התוצאה המדווחת הראשונה שמעל 90%.
- OSWorld בוחן סוכנים בסביבות מחשב שולחני אמיתיות, באמצעות בדיקות ביצוע של מצב המערכת הסופי — ולא רק לפי תשובה טקסטואלית.
- גם שיעור הצלחה של 90.2% משאיר 9.8% משימות שלא הושלמו בהצלחה; תהליכים בעלי השפעה גבוהה דורשים אימות דטרמיניסטי, הרשאות מוגבלות, תור חריגים ואישורי אדם.
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 דיווחה באוגוסט 2026 כי מוצר השימוש במחשב שלה — שכונה Z-Agent בהודעת החברה ו־InAgent בסיקורים אחרים — השיג שיעור הצלחה של 90.2% במשימות OSWorld, והיה המשתתף המדווח הראשון שחצה את רף 90%. לפי החברה, התוצאה הציבה אותו גם במקום הראשון בתת־דירוג של מסגרות סוכנים. 18
22
המשמעות המרכזית אינה שמודל יחיד כבר פתר את בעיית האוטומציה במחשב שולחני. היא שביצועי סוכנים תלויים יותר ויותר ב־מעטפת ההרצה (harness): התוכנה שמתרגמת תוכנית של מודל לפעולות מבוקרות, בודקת אם הפעולות הצליחו, ומתמודדת עם שלל הכשלים האפשריים בתהליך עבודה אמיתי.
מה InAgent השיגה לפי הדיווחים
הסיקור מייחס ל־InAgent את התוצאות הבאות בהערכת OSWorld:
- 90.2% הצלחה כוללת במשימות
- 84.7% במשימות חוצות־יישומים
- 92.3% במשימות GIMP
- 100% במשימות ברמת מערכת ההפעלה
22
אלו תוצאות מדווחות, ולא ממצאים שעברו ביקורת בלתי תלויה. במקורות שסופקו אין דוח טכני פומבי שמבודד את מודל הבסיס, כלי הפעולה, ההנחיות, הגדרות ההערכה או רכיבי המעטפת שתרמו לכל ציון. זהו הבדל מהותי: ציון במבחן לסוכנים מודד תצורת מודל־ומערכת, ולא את "האינטליגנציה" של מודל כשלעצמו.
חשוב גם להבחין בין טענה היסטורית לבין מקום קבוע בדירוג. תמונת מצב של לוח דירוג מצד שלישי, מספטמבר 2026, הציגה מערכת אחרת — Qwen3.8 Max — עם 86.1% ב־OSWorld-Verified. הדבר ממחיש שדירוגים ותצורות הערכה עשויים להשתנות לאורך זמן. 3
למה OSWorld הוא מבחן משמעותי
OSWorld נבנה כדי לבחון סוכנים שמפעילים סביבות מחשב אמיתיות, ולא רק עונים על שאלות לגבי צילומי מסך או אתרי אינטרנט מדומים. גרסת המקור של המדד כוללת 369 משימות מהעולם האמיתי ביישומים כגון Chromium, LibreOffice, GIMP, Thunderbird, VLC ו־Visual Studio Code, וכן משימות במערכת ההפעלה ועבודה בין כמה יישומים. המשימות נבדקות באמצעות בדיקות ביצוע, מתוך מצבי התחלה מוגדרים של הסביבה. 2
14
בתצורה הנפוצה של 361 משימות לא נכללות שמונה משימות Google Drive, שעשויות לדרוש הגדרה ידנית. 14
לכן זהו מבחן תובעני יותר מחיזוי קליק. סוכן שמצליח צריך לנווט בממשקים, לשמור על התקדמות לאורך צעדים רבים, לשנות קבצים או מצב יישום, ולהותיר את המחשב במצב הסופי המצופה.
הרקע ההיסטורי הופך את הטענה ל־90.2% לבולטת. בפרסום הייחוס המקורי של OSWorld, בני אדם השלימו יותר מ־72.36% מהמשימות, בעוד המודל הטוב ביותר הגיע ל־12.24% בלבד. 14 ובכל זאת, אין לראות בהשוואה זו מדד אוניברסלי לכשירות במקום העבודה: ביצועי מדד תלויים בבחירת המשימות, בהגדרת הסביבה, בתקציב הפעולות, בכלים ובמעטפת הסוכן.
המעבר מהנחיות למעטפות הרצה
הנחיה (prompt) אומרת למודל מה לבצע. הנדסת הקשר קובעת איזה מידע הוא מקבל. הנדסת מעטפת (harness engineering) מתכננת את מערכת ההרצה שקובעת כיצד הסוכן מתבונן, פועל, שומר מצב, מאמת השלמה ומתאושש מכשלים.
סקירה על תכנון מערכות סוכנים מתארת את מעטפת הביצוע כתשתית שמעצבת את התפיסה והפעולות של הסוכן, וכן את יכולתו לזהות טעויות ולהתאושש מהן. היא כוללת, בין השאר, עיצוב תצפיות, מרחבי פעולה, סביבת הרצה מבודדת, ניהול הקשר ולולאות אימות. 28
בסוכן לשימוש במחשב, מעטפת חזקה נדרשת בדרך כלל לשישה תפקידים:
- פירוק תהליך עבודה לתת־יעדים ניתנים לבדיקה. במקום לבקש מהסוכן "לעדכן הזמנה", המערכת יכולה לחייב אותו לאתר את הרשומה, לאמת שדות, לבצע את העדכון, לצרף ראיה ולוודא שהשינוי נשמר.
- ניתוב הפעולה לממשק המתאים. ממשק API, פקודה או כלי מובנה עדיפים לעיתים על לחיצת עכבר — כאשר הם זמינים ומורשים. שליטה גרפית יכולה לטפל בצעדים שאין להם ממשק קריא למכונה.
- שמירת מצב מתמשך. הסוכן זקוק לרישום של מה שכבר הושלם, למצב היישום הנוכחי, לישויות שנבחרו, לקבצים ולשאלה אם בטוח לנסות פעולה חוזרת.
- אימות התוצאה מול מערכת המקור. הצהרה של מודל כי הצליח אינה הוכחה. מעטפת יכולה לבדוק תגובת API, ערך במסד נתונים, קובץ שנשמר או מצב של יישום.
- התאוששות בטוחה. יש צורך במדיניות לטיפול בדפים מיושנים, קליקים שנכשלו, חלונות קופצים, פסקי זמן, שליחות חלקיות והפרעות אימות.
- אכיפת הרשאות ותצפיתיות. יומנים, עקבות פעולה, שערי אישור והרשאות מוגבלות הופכים עבודה בעלת השלכות לניתנת לביקורת ובטוחה יותר.
יש ראיות אמפיריות לכך ששכבה זו יכולה להשפיע מהותית על ביצועי סוכנים. מחקר אחד דיווח כי עשר איטרציות של הנדסת מעטפת סוכנית העלו את ציון pass@1 ב־Terminal-Bench 2 מ־69.7% ל־77.0%, מעל קו הבסיס המצוטט של מעטפת שתוכננה בידי אדם, 71.9%. זהו מדד אחר, ולכן הוא אינו מאמת את ציון OSWorld של InAgent — אך הוא תומך בטענה הרחבה שעיצוב סביבת ההרצה עשוי להניב שיפור משמעותי גם בלי להחליף מודל. 29
למה סוכן היברידי של API וממשק גרפי מושך חברות
היתרון האסטרטגי המדווח של InAgent הוא גישה היברידית: שימוש בממשקים תכנותיים אמינים כשאלו קיימים, לצד שליטה גרפית דמוית־אדם ביישומים שאין להם API מתאים. 22
התכנון הזה מתמודד עם בעיה מעשית בארגונים. תהליכים רבים חוצים שירותים מודרניים עם API שימושי, לצד תוכנות שולחניות ותיקות, פורטלים של ספקים או מערכות פנימיות שבהן הדרך המעשית היחידה היא המסך שעובד אנושי מפעיל.
עקרונית, הסוכן יכול לבחור בכל שלב את הנתיב האמין יותר:
- להשתמש ב־API או בפקודה לשליפה ולעדכון מובנים.
- להשתמש בממשק גרפי עבור מערכת ותיקה או סגורה.
- לבדוק את התוצאה מול מקור נתונים דטרמיניסטי, ככל האפשר.
מחקר על OSWorld-MCP מצא אף הוא שהפעלת כלים יכולה לשפר הצלחה במשימות שימוש במחשב בחלק מההגדרות. בניסויים המדווחים, הוספת כלי MCP העלתה את שיעור ההצלחה של OpenAI o3 מ־8.3% ל־17.6% ב־15 צעדים, ושל Claude 4 Sonnet מ־38.9% ל־45.0% ב־50 צעדים. 24
הסייג הוא שאוטומציית ממשק גרפי עדיין חשופה לשינויים בממשק, השהיות, חלונות קופצים, יעדים עמומים, בקרות גישה, אימות רב־שלבי ופעולות בלתי הפיכות. ביצוע היברידי עשוי לצמצם סיכונים אלה, אך לא להעלים אותם.
מה המשמעות של 90.2% לפריסה בפועל
שיעור השלמה של 90.2% משמעו ש־9.8% ממשימות המדד לא הושלמו בהצלחה. בעומס היפותטי של 10,000 משימות דומות, מדובר בכ־980 חריגים — עוד לפני שמביאים בחשבון טעויות שנראות כהצלחה אך מפיקות תוצאה עסקית שגויה.
אין בכך כדי לבטל את חשיבות הציון. הוא מרמז שסוכני שימוש במחשב מתקרבים לשימושיות בתהליכים תחומים וחזרתיים, כאשר מופעלות בקרות חזקות. אבל הוא אינו אישור לאוטומציה בלתי מפוקחת של תשלומים, הגשות משפטיות, פעולות קריטיות לבטיחות או שינויים שמשפיעים על לקוחות.
לפני שימוש בייצור, צוותים צריכים לבחון יותר משיעור הצלחה בכותרת:
- שיעור השלמה ו־נכונות בתהליכי העבודה שלהם;
- דפוסי הכשל והיכולת להתאושש;
- עלות, השהיה והיקף פעולות;
- גבולות הרשאה ונקודות אישור;
- ראיות לכך שכל פעולה שהושלמה שינתה בפועל את מצב המערכת המיועד;
- גודל תור החריגים ואופן הטיפול בו.
מדד OSWorld 2.0 החדש והקשה יותר מחזק את הצורך בזהירות. הוא כולל 108 תהליכי עבודה ארוכי־טווח, והתוצאה המדווחת הגבוהה ביותר להשלמה בינארית הייתה 20.6% במדד הראשי של 500 צעדים. זו עדות לכך שסוכנים עדיין רחוקים משימוש מחשב מקצועי ורחב היקף כאשר המשימות מתארכות ונעשות מציאותיות יותר. 17
ציון דרך בהנדסת ביצוע
כדאי לקרוא את תוצאת ה־90.2% המדווחת של InAgent כציון דרך ב־הנדסת מערכות סוכנים. הנחיות טובות והקשר עשיר עדיין חשובים, אך אוטומציה אמינה נשענת יותר ויותר על המנגנון שסביב המודל: פירוק משימות, בחירת כלים, מצב מתמשך, השלמה ניתנת לאימות, סמכות מוגבלת ונתיבי התאוששות.
עבור ארגונים, השאלה המועילה אינה רק איזה מודל מוביל במדד. השאלה היא האם סוכן יכול לבצע תהליך עבודה מסוים בנכונות מדידה, עם תופעות לוואי מבוקרות והעברה בטוחה לאדם כאשר הוא אינו יכול להמשיך. ציון גבוה ב־OSWorld יכול לסייע בהערכת השאלה הזו — אך אינו יכול להוכיח אותה לבדו.
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 דיווחה על 90.2% ב־OSWorld: למה הנדסת מעטפת היא המפתח לסוכני AI"?
Intelligence Indeed דיווחה כי InAgent, המכונה בהודעתה גם Z Agent, השיגה 90.2% בתצורת 361 המשימות של OSWorld — התוצאה המדווחת הראשונה שמעל 90%.
What are the key points to validate first?
Intelligence Indeed דיווחה כי InAgent, המכונה בהודעתה גם Z Agent, השיגה 90.2% בתצורת 361 המשימות של OSWorld — התוצאה המדווחת הראשונה שמעל 90%. OSWorld בוחן סוכנים בסביבות מחשב שולחני אמיתיות, באמצעות בדיקות ביצוע של מצב המערכת הסופי — ולא רק לפי תשובה טקסטואלית.
What should I do next in practice?
גם שיעור הצלחה של 90.2% משאיר 9.8% משימות שלא הושלמו בהצלחה; תהליכים בעלי השפעה גבוהה דורשים אימות דטרמיניסטי, הרשאות מוגבלות, תור חריגים ואישורי אדם.
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 ...