AnswersPublished19 sources
InAgents 90,2 procent på OSWorld: därför blir AI-agenternas styrsystem avgörande
Intelligence Indeed uppgav att InAgent, även kallad Z Agent, nådde 90,2 procents framgång på OSWorlds konfiguration med 361 uppgifter – den första rapporterade nivån över 90 procent. OSWorld testar agenter i riktiga dator och skrivbordsmiljöer, där resultatet kontrolleras mot den faktiska slutstatusen i systemet.
Publicerad avRedigerad med GPT-5.6 TerraBilder genererade med GPT Image 2
Research answer
Key takeaways
- Intelligence Indeed uppgav att InAgent, även kallad Z Agent, nådde 90,2 procents framgång på OSWorlds konfiguration med 361 uppgifter – den första rapporterade nivån över 90 procent.
- OSWorld testar agenter i riktiga dator och skrivbordsmiljöer, där resultatet kontrolleras mot den faktiska slutstatusen i systemet.
- En träffsäkerhet på 90,2 procent innebär ändå att 9,8 procent av jämförbara uppgifter misslyckas.
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
Ett starkt resultat – men för hela systemet, inte bara modellen
Det kinesiska AI-bolaget Intelligence Indeed rapporterade i augusti 2026 att dess datoragent nådde 90,2 procents framgångsgrad i OSWorld. I bolagets eget pressmeddelande kallas produkten Z-Agent, medan annan rapportering använder namnet InAgent. Enligt uppgifterna var det första gången en rapporterad deltagare passerade 90-procentsgränsen, och systemet placerade sig också etta på en delranking för agentramverk. 18
22
De rapporterade delresultaten var:
- 90,2 procent totalt
- 84,7 procent på uppgifter som kräver flera program
- 92,3 procent på GIMP-uppgifter
- 100 procent på uppgifter på systemnivå
22
Siffrorna är dock bolagsrapporterade och inte resultaten av en oberoende granskning. Det underlag som finns här innehåller ingen offentlig teknisk rapport som tydligt särskiljer vilken grundmodell, vilka verktyg, instruktioner, testinställningar och vilka komponenter i agentens styrsystem som skapade respektive resultat.
Det är en väsentlig reservation. Ett benchmarkresultat mäter en kombination av modell och system, inte en språkmodells intelligens isolerat. Topplaceringar kan dessutom skifta när testversioner och utvärderingsinställningar förändras. En ledartavlebild från september 2026 angav exempelvis Qwen3.8 Max som etta på OSWorld-Verified med 86,1 procent. 3
Vad OSWorld faktiskt testar
OSWorld är gjort för att pröva AI-agenter i verkliga datormiljöer, snarare än att bara låta dem svara på frågor om skärmbilder eller navigera på simulerade webbsidor. Originalsviten innehåller 369 verklighetsnära uppgifter i bland annat Chromium, LibreOffice, GIMP, Thunderbird, VLC och Visual Studio Code, samt uppgifter i operativsystemet och arbetsflöden som spänner över flera program. Resultaten bedöms genom körningsbaserade kontroller av miljöns slutstatus. 2
14
Den vanligt förekommande konfigurationen med 361 uppgifter utesluter åtta Google Drive-uppgifter som kan kräva manuell förberedelse. 14
Det gör OSWorld mer krävande än ett test av om agenten kan förutsäga nästa musklick. Agenten måste hålla reda på framsteg över flera steg, hantera filer och programstatus samt lämna datorn i exakt det förväntade slutläget.
Jämförelsen med benchmarkets tidiga resultat visar varför 90,2 procent väcker uppmärksamhet. I OSWorlds ursprungliga referensresultat klarade människor över 72,36 procent av uppgifterna, medan den bästa modellen nådde 12,24 procent. 14 Men detta ska inte läsas som ett generellt mått på yrkesmässig datoranvändning: utfallet påverkas av uppgiftsurval, startmiljö, antal tillåtna åtgärder, verktyg och hur agenten är konstruerad runt modellen.
Skiftet: från promptar till ett genomtänkt styrsystem
En prompt talar om för modellen vad den ska göra. Kontextteknik avgör vilken information den får. Harness engineering – här ungefär styrsystems- eller exekveringsdesign – handlar om infrastrukturen som bestämmer hur agenten observerar, agerar, sparar tillstånd, kontrollerar resultat och återhämtar sig när något går fel.
En forskningsöversikt beskriver agentens exekveringslager som infrastruktur som formar vad agenten uppfattar, hur den kan agera och om den kan upptäcka och reparera fel. Det omfattar bland annat utformning av observationer och åtgärdsutrymmen, sandlådor för exekvering, kontexthantering och verifieringsloopar. 28
För en agent som arbetar vid datorn behöver ett välbyggt styrsystem normalt klara sex saker:
- Dela upp arbetet i kontrollerbara delmål. I stället för att be agenten att ”uppdatera en order” kan systemet kräva att den hittar rätt ärende, validerar fält, gör ändringen, bifogar underlag och bekräftar att ändringen sparats.
- Välja rätt sätt att agera. Ett API, ett kommando eller ett strukturerat verktyg är ofta bättre än ett musklick när det finns och får användas. GUI-styrning behövs där maskinläsbara gränssnitt saknas.
- Behålla ett robust tillstånd. Agenten måste veta vilka moment som är genomförda, vilken applikation och vilket objekt som är aktivt, vilka filer som används och om ett steg kan upprepas utan risk.
- Verifiera utfallet i källsystemet. Att modellen påstår att den lyckades är inte ett bevis. Styrsystemet kan kontrollera ett API-svar, ett databasvärde, en sparad fil eller programstatus.
- Återhämta sig säkert. Det behövs regler för gamla sidlägen, missade klick, dialogrutor, tidsgränser, delvis genomförda inskick och avbruten autentisering.
- Styra behörigheter och spårbarhet. Loggar, åtgärdsspår, godkännandepunkter och begränsade behörigheter gör känsliga arbetsflöden säkrare och möjliga att granska.
Det finns stöd för att detta lager kan ge stora resultatskillnader. En studie rapporterade att tio iterationer av agentbaserad harness engineering ökade pass@1 på Terminal-Bench 2 från 69,7 till 77,0 procent, över den angivna nivån på 71,9 procent för ett människokonstruerat styrsystem. Det är ett annat benchmark och bekräftar inte InAgents OSWorld-resultat, men det stärker den bredare slutsatsen att bättre drift- och kontrollogik kan höja prestationen utan att grundmodellen byts ut. 29
Varför en kombination av API och GUI är attraktiv
Det rapporterade strategiska värdet i InAgent är en hybridmodell: att använda programmässiga gränssnitt där de finns, men behålla människolik styrning av grafiska användargränssnitt för program som saknar lämpliga API:er. 22
Det är relevant för många organisationer. Affärsprocesser går ofta över moderna molntjänster med välfungerande API:er, men också äldre skrivbordsprogram, leverantörsportaler och interna system där den enda praktiska vägen är samma skärm som en handläggare använder.
I princip kan en sådan agent välja den mest tillförlitliga vägen i varje moment:
- hämta och uppdatera strukturerad information via API eller kommando,
- använda GUI för slutna eller äldre gränssnitt,
- och kontrollera resultatet mot ett deterministiskt källsystem när det är möjligt.
Forskning om OSWorld-MCP pekar i samma riktning: verktygsanrop kan höja framgångsgraden för datoragenter i vissa miljöer. I de redovisade försöken steg OpenAI o3 från 8,3 till 17,6 procent vid 15 steg, medan Claude 4 Sonnet steg från 38,9 till 45,0 procent vid 50 steg när MCP-verktyg lades till. 24
Men GUI-automatisering är fortfarande känslig för ändrade gränssnitt, fördröjningar, popup-rutor, tvetydliga klickmål, behörighetskontroller, multifaktorautentisering och oåterkalleliga åtgärder. Hybridkörning kan minska riskerna, men inte ta bort dem.
90,2 procent räcker inte för obevakad drift
En framgångsgrad på 90,2 procent innebär att 9,8 procent av benchmarkuppgifterna inte slutfördes korrekt. I ett hypotetiskt flöde med 10 000 jämförbara uppgifter motsvarar det omkring 980 undantag – innan man ens räknar in fel som ser ut som lyckade avslut men ger fel affärsresultat.
Det gör inte resultatet ointressant. Tvärtom tyder det på att datoragenter kan närma sig praktisk nytta i avgränsade, återkommande arbetsflöden med tydliga kontroller. Men det är inte ett argument för obevakad automatisering av betalningar, juridiska inlämningar, säkerhetskritiska åtgärder eller kundpåverkande ändringar.
Vid produktionssättning bör organisationer utvärdera mer än en enda topprad på en ledartavla:
- faktisk slutförandegrad och korrekthet i egna processer,
- vilka fel som uppstår och om de går att återställa,
- kostnad, svarstid och antal åtgärder,
- behörighetsgränser och när människor ska godkänna,
- bevis för att rätt slutstatus verkligen uppnåddes,
- samt storlek och hantering av kön för undantag.
Det nyare och svårare benchmarktestet OSWorld 2.0 manar också till försiktighet. Det omfattar 108 långvariga arbetsflöden, och det högsta rapporterade resultatet för binärt slutförande var 20,6 procent med testets primära gräns på 500 steg. Det visar hur långt det fortfarande är kvar till brett pålitlig datoranvändning på professionell nivå när uppgifterna blir längre och mer realistiska. 17
Den verkliga milstolpen är exekveringsdesign
InAgents rapporterade 90,2 procent är därför mest intressant som en milstolpe för systemdesign kring AI-agenter. Bättre promptar och rikare kontext är fortsatt viktiga, men robust automatisering avgörs allt mer av vad som sker runt modellen: uppdelning av arbetet, val av verktyg, uthålligt tillstånd, verifierbart avslut, begränsade mandat och tydliga återhämtningsvägar.
För verksamheter är den avgörande frågan inte bara vilken modell som leder ett benchmark. Frågan är om agenten kan utföra en specifik process med mätbar korrekthet, kontrollerade bieffekter och en säker överlämning till en människa när den inte kan fortsätta. Ett högt OSWorld-resultat kan vara en viktig signal – men det kan inte ensamt bevisa detta.
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 procent på OSWorld: därför blir AI-agenternas styrsystem avgörande"?
Intelligence Indeed uppgav att InAgent, även kallad Z Agent, nådde 90,2 procents framgång på OSWorlds konfiguration med 361 uppgifter – den första rapporterade nivån över 90 procent.
What are the key points to validate first?
Intelligence Indeed uppgav att InAgent, även kallad Z Agent, nådde 90,2 procents framgång på OSWorlds konfiguration med 361 uppgifter – den första rapporterade nivån över 90 procent. OSWorld testar agenter i riktiga dator och skrivbordsmiljöer, där resultatet kontrolleras mot den faktiska slutstatusen i systemet.
What should I do next in practice?
En träffsäkerhet på 90,2 procent innebär ändå att 9,8 procent av jämförbara uppgifter misslyckas.
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 ...