AnswersPublished19 sources
InAgent hevder 90,2 prosent på OSWorld: Derfor blir agentens «harness» avgjørende
Intelligence Indeed opplyste at InAgent/Z Agent oppnådde 90,2 prosent oppgavesuksess på OSWorld – det første rapporterte resultatet over 90 prosent. OSWorld tester agenter i reelle skrivebords og nettmiljøer, der sluttresultatet kontrolleres mot maskinens faktiske tilstand.
Publisert avRedigert med GPT-5.6 TerraBilder generert med GPT Image 2
Research answer
Key takeaways
- Intelligence Indeed opplyste at InAgent/Z Agent oppnådde 90,2 prosent oppgavesuksess på OSWorld – det første rapporterte resultatet over 90 prosent.
- OSWorld tester agenter i reelle skrivebords og nettmiljøer, der sluttresultatet kontrolleres mot maskinens faktiske tilstand.
- Selv en treffrate på 90,2 prosent innebærer 9,8 prosent mislykkede oppgaver. Viktige prosesser krever derfor kontrollpunkter, begrensede tilganger, avvikshåndtering og menneskelig godkjenning.
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 opplyste i august 2026 at datamaskinagenten deres – kalt Z-Agent i selskapets egen kunngjøring og InAgent i annen omtale – hadde oppnådd 90,2 prosent oppgavesuksess på OSWorld. Selskapet sa også at løsningen toppet en delrangering for agentrammeverk. Resultatet ble omtalt som det første rapporterte OSWorld-resultatet over 90 prosent. 18
22
Det viktigste poenget er ikke at én modell dermed har «løst» skrivebordsautomatisering. Agentens ytelse avhenger i økende grad av harnesset rundt modellen: programvaren som omsetter en plan til kontrollerte handlinger, undersøker om handlingene virket, og håndterer feil underveis.
Dette hevder InAgent å ha oppnådd
Omtalen av evalueringen oppgir følgende resultater for InAgent:
- 90,2 prosent samlet oppgavesuksess
- 84,7 prosent på oppgaver på tvers av programmer
- 92,3 prosent på GIMP-oppgaver
- 100 prosent på systemoppgaver
22
Dette er rapporterte resultater, ikke uavhengig reviderte funn. Materialet som foreligger, inneholder ikke en offentlig teknisk rapport som skiller ut bidragene fra grunnmodellen, verktøyene, instruksjonene, evalueringsinnstillingene og de enkelte delene av harnesset. Det er en vesentlig forskjell: En benchmarksår måler en modell- og systemkonfigurasjon, ikke modellens intelligens isolert.
Det er også viktig å skille mellom en historisk topplassering og en varig lederposisjon. Et tredjepartsbilde av OSWorld-Verified-listen fra september 2026 hadde Qwen3.8 Max på 86,1 prosent. Det illustrerer at både rangeringer og evalueringsoppsett kan endre seg over tid. 3
Hvorfor OSWorld er en krevende test
OSWorld er laget for å teste agenter i reelle datamiljøer, ikke bare evnen til å svare på spørsmål om skjermbilder eller klikke i simulerte nettsider. Den opprinnelige testen omfatter 369 praktiske oppgaver i blant annet Chromium, LibreOffice, GIMP, Thunderbird, VLC og Visual Studio Code, samt oppgaver i operativsystemet og på tvers av flere programmer. Resultatene kontrolleres mot maskinens konfigurerte sluttilstand. 2
14
Den ofte brukte konfigurasjonen med 361 oppgaver utelater åtte Google Drive-oppgaver som kan kreve manuelt oppsett. 14
En agent må derfor klare langt mer enn å velge riktig knapp. Den må navigere grensesnitt, holde styr på framdrift over flere trinn, endre filer eller programtilstand og etterlate systemet i korrekt sluttstatus.
Utgangspunktet viser hvorfor påstanden om 90,2 prosent vekker oppmerksomhet. Da OSWorld først ble publisert, fullførte mennesker over 72,36 prosent av oppgavene, mens den beste modellen nådde 12,24 prosent. 14 Sammenligningen er likevel ikke et universelt mål på jobbkompetanse: Resultater påvirkes av oppgaveutvalg, miljøoppsett, handlingsbudsjett, tilgjengelige verktøy og agentens harness.
Fra gode instruksjoner til robust utførelse
Prompt engineering handler om hva modellen blir bedt om å gjøre. Context engineering handler om hvilken informasjon modellen får. Harness engineering handler om kjøresystemet rundt agenten: hvordan den observerer, handler, lagrer tilstand, bekrefter at arbeidet er fullført og kommer seg videre etter feil.
En forskningsoversikt beskriver utførelsesharnesset som infrastrukturen som former agentens oppfatning av situasjonen, handlingene den kan utføre, og evnen til å oppdage og rette feil. Dette omfatter blant annet utforming av observasjoner og handlingsrom, sandkassing, kontekststyring og verifiseringssløyfer. 28
For en agent som styrer en datamaskin, vil et godt harness vanligvis måtte løse seks oppgaver:
- Dele arbeidsflyten i testbare delmål. I stedet for bare å be agenten «oppdatere en ordre», kan systemet kreve at den finner riktig sak, kontrollerer feltene, gjør endringen, legger ved dokumentasjon og bekrefter at endringen er lagret.
- Sende handlinger til riktig grensesnitt. Et API, en kommando eller et strukturert verktøy kan være bedre enn museklikk der det er tilgjengelig og tillatt. GUI-styring kan ta de stegene som ikke har et maskinlesbart grensesnitt.
- Bevare tilstand over tid. Agenten trenger oversikt over utførte steg, aktivt program, valgte elementer og filer – og om et forsøk kan gjentas uten å skape en dobbeltregistrering.
- Kontrollere utfallet i kildesystemet. Agentens egen erklæring om at den er ferdig, er ikke bevis. Harnesset kan kontrollere API-svaret, en databaseverdi, en lagret fil eller faktisk programtilstand.
- Gjenopprette på en trygg måte. Det må finnes regler for utdaterte sider, klikk som ikke registreres, dialogbokser, tidsavbrudd, delvise innsendinger og avbrutt innlogging.
- Håndheve tilgang og sporbarhet. Logger, handlingsspor, godkjenningsporter og avgrensede rettigheter gjør konsekvensrike handlinger mer etterprøvbare og tryggere.
Det finnes empirisk støtte for at dette laget kan påvirke resultatene betydelig. Én studie rapporterte at ti iterasjoner med agentisk harness engineering løftet pass@1 på Terminal-Bench 2 fra 69,7 prosent til 77,0 prosent, over den siterte menneskedesignede harness-baselinen på 71,9 prosent. Det er en annen benchmark og validerer ikke InAgents OSWorld-resultat, men støtter den bredere påstanden om at kjøresystemet kan gi store forbedringer uten at man nødvendigvis bytter modell. 29
Hvorfor en kombinasjon av API og GUI er interessant
Den rapporterte kommersielle ideen bak InAgent er en hybrid: Agenten bruker programgrensesnitt der de finnes, men beholder menneskelignende GUI-styring for programmer uten egnede API-er. 22
Det svarer på et velkjent problem i virksomheter. Mange arbeidsprosesser går på tvers av moderne tjenester med brukbare API-er og eldre skrivebordsprogrammer, leverandørportaler eller interne systemer der den eneste praktiske inngangen er skjermen en ansatt bruker.
I prinsippet kan agenten velge den mest pålitelige veien i hvert trinn:
- hente og oppdatere strukturerte data gjennom API eller kommando;
- bruke GUI-interaksjon i lukkede eller eldre grensesnitt;
- kontrollere resultatet mot et deterministisk kildesystem når det er mulig.
Forskning på OSWorld-MCP finner på lignende vis at verktøykall kan forbedre suksessraten i enkelte datamaskinoppgaver. I de rapporterte forsøkene økte MCP-verktøy OpenAI o3 fra 8,3 til 17,6 prosent ved 15 steg, og Claude 4 Sonnet fra 38,9 til 45,0 prosent ved 50 steg. 24
Forbeholdet er at GUI-automatisering fortsatt påvirkes av endrede grensesnitt, treghet, popup-vinduer, tvetydige mål, tilgangskontroll, tofaktorautentisering og handlinger som ikke kan reverseres. En hybrid tilnærming kan redusere risikoen, men ikke fjerne den.
Hva 90,2 prosent betyr i praksis
En fullføringsgrad på 90,2 prosent innebærer at 9,8 prosent av benchmarkoppgavene ikke ble løst. I en hypotetisk mengde på 10 000 sammenlignbare oppgaver ville det tilsvare rundt 980 avvik – før man tar hensyn til feil som ser vellykkede ut, men gir feil forretningsresultat.
Det gjør ikke resultatet uviktig. Det kan bety at datamaskinagenter nærmer seg praktisk nytte i avgrensede og repeterbare prosesser, forutsatt sterke kontroller. Men det er ikke en begrunnelse for uovervåket automatisering av betalinger, juridiske innsendinger, sikkerhetskritisk drift eller endringer som påvirker kunder.
Ved produksjonssetting bør virksomheter vurdere langt mer enn én samlet passrate:
- fullføring og korrekthet i egne arbeidsprosesser;
- feiltyper og mulighet for sikker gjenoppretting;
- kostnad, ventetid og antall handlinger;
- tilgangsgrenser og punkter for godkjenning;
- dokumentasjon på at hver «fullførte» handling faktisk endret riktig systemtilstand;
- størrelsen på avvikskøen og hvordan den håndteres.
Den nyere og vanskeligere OSWorld 2.0 understreker behovet for varsomhet. Den består av 108 lange arbeidsflyter, og beste rapporterte resultat for binær fullføring var 20,6 prosent med en grense på 500 steg. Det tyder på at agenter fortsatt er langt unna bredt profesjonell datamaskinbruk når oppgavene blir lengre og mer realistiske. 17
Den reelle milepælen er utførelsesingeniørkunst
InAgents rapporterte resultat på 90,2 prosent bør først og fremst leses som en milepæl for ingeniørarbeidet rundt agentsystemer. Bedre instruksjoner og mer relevant kontekst er fortsatt viktig, men pålitelig automatisering kommer i økende grad fra mekanismene rundt modellen: oppdeling av arbeid, valg av verktøy, vedvarende tilstand, etterprøvbar fullføring, begrenset myndighet og tydelige gjenopprettingsveier.
For virksomheter er derfor ikke hovedspørsmålet bare hvilken modell som topper en benchmark. Det er om en agent kan gjennomføre en konkret arbeidsflyt med målbar korrekthet, kontrollerbare bivirkninger og trygg overlevering til et menneske når den stopper opp. En høy OSWorld-skår kan være nyttig informasjon om dette – 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 "InAgent hevder 90,2 prosent på OSWorld: Derfor blir agentens «harness» avgjørende"?
Intelligence Indeed opplyste at InAgent/Z Agent oppnådde 90,2 prosent oppgavesuksess på OSWorld – det første rapporterte resultatet over 90 prosent.
What are the key points to validate first?
Intelligence Indeed opplyste at InAgent/Z Agent oppnådde 90,2 prosent oppgavesuksess på OSWorld – det første rapporterte resultatet over 90 prosent. OSWorld tester agenter i reelle skrivebords og nettmiljøer, der sluttresultatet kontrolleres mot maskinens faktiske tilstand.
What should I do next in practice?
Selv en treffrate på 90,2 prosent innebærer 9,8 prosent mislykkede oppgaver. Viktige prosesser krever derfor kontrollpunkter, begrensede tilganger, avvikshåndtering og menneskelig godkjenning.
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 ...