ОтветыОпубликовано19 источники
Результат InAgent в OSWorld: 90,2% и новая роль инженерии агентной «обвязки»
Компания Intelligence Indeed сообщила, что её агент InAgent/Z Agent достиг 90,2% успешного выполнения задач в OSWorld — это первый заявленный результат выше 90%. OSWorld проверяет работу агентов в реальных средах ОС и приложениях, а итог оценивается по фактическому состоянию системы, а не по текстовому ответу модели.
ОпубликовалОтредактировано с помощью GPT-5.6 TerraИзображения созданы с помощью GPT Image 2
Ответ на исследование
Ключевые выводы
- Компания Intelligence Indeed сообщила, что её агент InAgent/Z Agent достиг 90,2% успешного выполнения задач в OSWorld — это первый заявленный результат выше 90%.
- OSWorld проверяет работу агентов в реальных средах ОС и приложениях, а итог оценивается по фактическому состоянию системы, а не по текстовому ответу модели.
- Даже при 90,2% успеха 9,8% сопоставимых задач останутся незавершёнными: для рабочих процессов нужны проверки результата, ограничения прав, очередь исключений и участие человека.
Промпт ИИ
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
В августе 2026 года компания Intelligence Indeed сообщила, что её продукт для управления компьютером достиг 90,2% успешного выполнения задач в OSWorld. В собственном анонсе компания называет продукт Z-Agent, а в других публикациях он фигурирует как InAgent. По заявлению разработчика, это первый результат в OSWorld выше 90%, а также первое место в подрейтинге агентных фреймворков. 18
22
Главный вывод здесь не в том, что одна модель уже «научилась работать за человека» на любом компьютере. Высокий результат всё чаще определяется не только базовой моделью, но и её исполнительной обвязкой — системой, которая переводит план модели в контролируемые действия, отслеживает состояние, проверяет эффект и безопасно обрабатывает сбои.
Какие результаты заявлены
В публикациях о InAgent приводятся следующие показатели OSWorld:
- 90,2% — общий успех выполнения задач;
- 84,7% — задачи, требующие работы в нескольких приложениях;
- 92,3% — задачи в графическом редакторе GIMP;
- 100% — задачи на уровне операционной системы.
22
Это заявленные, а не независимо проверенные результаты. В доступных материалах нет публичного технического отчёта, который позволял бы отделить вклад базовой модели, подсказок, инструментов действий, настроек теста и самой исполнительной обвязки. Для подобных бенчмарков это принципиально: они измеряют не «интеллект модели сам по себе», а работу конкретной конфигурации «модель плюс система».
Кроме того, лидерство в таблице результатов нельзя считать вечным. Сторонний снимок рейтинга на 2 сентября 2026 года указывал другую систему — Qwen3.8 Max — с результатом 86,1% в OSWorld-Verified. Это показывает, что меняются и лидеры, и конкретные настройки оценивания. 3
Что именно проверяет OSWorld
OSWorld создан для проверки агентов, которые работают в настоящих компьютерных средах, а не просто отвечают на вопросы по скриншотам или выполняют действия на имитации сайта. Исходный набор включает 369 реальных задач в Chromium, LibreOffice, GIMP, Thunderbird, VLC, Visual Studio Code, а также задачи на уровне ОС и сценарии с несколькими приложениями. Результат проверяется по состоянию заранее настроенной среды с помощью исполняемых проверок. 2
14
Распространённая конфигурация из 361 задачи исключает восемь заданий Google Drive, для которых может потребоваться ручная настройка. 14
Поэтому OSWorld сложнее тестов на предсказание следующего клика. Агенту нужно ориентироваться в интерфейсах, не терять ход многошаговой работы, менять файлы и состояние приложений — и в итоге привести компьютер к требуемому конечному состоянию.
Контраст с ранними результатами подчёркивает масштаб заявленного достижения. В исходной публикации OSWorld люди выполняли более 72,36% задач, а лучшая модель достигала лишь 12,24%. 14 Но это не универсальная оценка профессиональной пригодности: показатели зависят от набора задач, стартовой среды, лимита действий, доступных инструментов и архитектуры агента.
От промптов — к инженерии исполнительной обвязки
Промпт-инжиниринг отвечает на вопрос, что сказать модели. Контекст-инжиниринг — какую информацию и в каком виде ей показать. Harness engineering, или инженерия исполнительной обвязки, проектирует среду выполнения: как агент наблюдает за системой, действует, хранит состояние, подтверждает завершение работы и восстанавливается после ошибок.
Обзор исследований агентных систем описывает такую обвязку как инфраструктуру, формирующую восприятие агента, его действия и способность обнаруживать и исправлять ошибки. В неё входят, в частности, проектирование наблюдений, пространства действий, изоляция исполнения, управление контекстом и циклы верификации. 28
Для агента, управляющего компьютером, такая система обычно решает шесть задач:
- Делит процесс на проверяемые подцели. Вместо общей команды «обновить заказ» агент последовательно ищет запись, сверяет поля, вносит изменение, прикладывает подтверждение и проверяет, сохранился ли результат.
- Выбирает подходящий способ действия. Если доступен разрешённый API, команда или структурированный инструмент, он может быть надёжнее клика мышью. GUI нужен там, где машиночитаемого интерфейса нет.
- Хранит устойчивое состояние. Агенту необходимо знать, что уже сделано, в каком приложении он находится, какой объект выбран, какие файлы созданы и допустимо ли повторить действие без вреда.
- Проверяет результат по источнику истины. Фраза модели «задача выполнена» не доказывает успех. Обвязка может сверить ответ API, значение в базе, сохранённый файл или фактическое состояние приложения.
- Безопасно восстанавливается после сбоев. Нужны правила для устаревших страниц, не сработавших кликов, всплывающих окон, тайм-аутов, частично отправленных форм и прерываний аутентификации.
- Ограничивает полномочия и обеспечивает наблюдаемость. Журналы действий, трассировки, подтверждения человеком и ограниченные учётные данные делают значимые операции проверяемыми и безопаснее.
Есть и эмпирические данные, что этот слой заметно влияет на результат. В одном исследовании десять итераций инженерии агентной обвязки повысили pass@1 в Terminal-Bench 2 с 69,7% до 77,0%, превысив указанную базовую обвязку, созданную человеком, с 71,9%. Это другой бенчмарк, поэтому он не подтверждает результат InAgent в OSWorld, но поддерживает более общий тезис: существенный прирост возможен за счёт среды исполнения, а не только замены модели. 29
Зачем бизнесу гибрид API и GUI
Практическая привлекательность InAgent, согласно сообщениям о системе, — в гибридном подходе: использовать программные интерфейсы там, где они есть, и сохранять управление через графический интерфейс, похожее на действия человека, для программ без подходящего API. 22
Для компаний это отвечает на обычную проблему: один процесс нередко проходит через современные сервисы с API, старые настольные программы, порталы поставщиков и внутренние системы, где единственный доступный путь — тот же экран, которым пользуется сотрудник.
В теории агент выбирает наиболее надёжный путь на каждом шаге:
- получает и обновляет структурированные данные через API или команду;
- работает через GUI с закрытым или устаревшим интерфейсом;
- по возможности подтверждает итог через детерминированный источник данных.
Исследование OSWorld-MCP также показывает, что вызов инструментов может повышать успешность компьютерных агентов. В описанных экспериментах добавление MCP-инструментов увеличило результат OpenAI o3 с 8,3% до 17,6% при 15 шагах, а Claude 4 Sonnet — с 38,9% до 45,0% при 50 шагах. 24
Однако автоматизация через GUI остаётся уязвимой к изменениям интерфейса, задержкам, всплывающим окнам, неоднозначным элементам, ограничениям доступа, многофакторной аутентификации и необратимым действиям. Гибридная архитектура может снижать эти риски, но не отменяет их.
Что 90,2% означает для внедрения
Успех в 90,2% означает, что 9,8% задач в сопоставимом наборе не завершились успешно. На гипотетических 10 000 таких задач это около 980 исключений — ещё до учёта скрытых ошибок, когда агент формально завершил работу, но бизнес-результат оказался неверным.
Это не обесценивает достижение. Скорее, оно говорит о приближении компьютерных агентов к практической полезности в ограниченных, повторяемых процессах с сильными контролями. Но такой показатель сам по себе не оправдывает полностью автономную работу с платежами, юридически значимыми подачами, критически важными операциями или изменениями, затрагивающими клиентов.
При оценке готовности к использованию в компании стоит смотреть не только на громкий процент в бенчмарке:
- на завершение задач и корректность результата в собственных процессах;
- на типы сбоев и возможность восстановления;
- на стоимость, задержку и число действий;
- на границы прав доступа и точки обязательного согласования;
- на доказательства того, что изменение действительно попало в нужную систему;
- на объём очереди исключений и порядок её обработки.
Осторожность подтверждает и более новый, сложный бенчмарк OSWorld 2.0. В нём 108 длительных рабочих процессов; лучший опубликованный результат по основной метрике полного завершения при лимите 500 шагов составил 20,6%. Это указывает, что при длинных и более реалистичных сценариях агенты всё ещё далеки от универсального профессионального уровня работы за компьютером. 17
Главная веха — не только модель, а инженерия исполнения
Заявленные InAgent 90,2% разумнее воспринимать как веху в развитии инженерии агентных систем. Качество промптов и контекста по-прежнему важно, но надёжная автоматизация всё больше зависит от механизмов вокруг модели: декомпозиции задач, выбора инструментов, постоянного состояния, проверяемого завершения, ограниченных полномочий и путей восстановления.
Для компаний важнее не вопрос «какая модель первой в рейтинге», а способность агента выполнить конкретный процесс с измеримой корректностью, контролируемыми побочными эффектами и безопасной передачей человеку, если продолжать нельзя. Высокий балл OSWorld помогает оценить потенциал такой системы, но сам по себе этого не доказывает.
Studio Global AI
Продолжайте свое исследование
На этой странице есть ответ, подтвержденный источником, который вы можете продолжить внутри Studio Global.
Люди также спрашивают
Каков краткий ответ на вопрос «Результат InAgent в OSWorld: 90,2% и новая роль инженерии агентной «обвязки»»?
Компания Intelligence Indeed сообщила, что её агент InAgent/Z Agent достиг 90,2% успешного выполнения задач в OSWorld — это первый заявленный результат выше 90%.
Какие ключевые моменты необходимо проверить в первую очередь?
Компания Intelligence Indeed сообщила, что её агент InAgent/Z Agent достиг 90,2% успешного выполнения задач в OSWorld — это первый заявленный результат выше 90%. OSWorld проверяет работу агентов в реальных средах ОС и приложениях, а итог оценивается по фактическому состоянию системы, а не по текстовому ответу модели.
Что мне делать дальше на практике?
Даже при 90,2% успеха 9,8% сопоставимых задач останутся незавершёнными: для рабочих процессов нужны проверки результата, ограничения прав, очередь исключений и участие человека.
Источники
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 ...