คำตอบเผยแพร่แล้ว19 แหล่งที่มา
InAgent กับคะแนน OSWorld 90.2%: จุดเปลี่ยนสู่ยุค Harness Engineering
Intelligence Indeed รายงานว่า InAgent/Z Agent ทำอัตราสำเร็จ 90.2% บนชุดประเมิน OSWorld และเป็นระบบแรกที่มีรายงานว่าข้ามระดับ 90% OSWorld ทดสอบให้เอเจนต์ทำงานในสภาพแวดล้อมคอมพิวเตอร์จริง พร้อมตรวจผลจากสถานะการทำงาน ไม่ได้วัดเพียงคำตอบข้อความหรือการคลิก แม้อัตราสำเร็จ 90.2% จะสูงมาก แต่ยังหมายถึงงานราว 9.8% ที่ไม่สำเร...
เผยแพร่โดยแก้ไขด้วย GPT-5.6 Terraรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- Intelligence Indeed รายงานว่า InAgent/Z Agent ทำอัตราสำเร็จ 90.2% บนชุดประเมิน OSWorld และเป็นระบบแรกที่มีรายงานว่าข้ามระดับ 90%
- OSWorld ทดสอบให้เอเจนต์ทำงานในสภาพแวดล้อมคอมพิวเตอร์จริง พร้อมตรวจผลจากสถานะการทำงาน ไม่ได้วัดเพียงคำตอบข้อความหรือการคลิก
- แม้อัตราสำเร็จ 90.2% จะสูงมาก แต่ยังหมายถึงงานราว 9.8% ที่ไม่สำเร็จในเงื่อนไขเทียบเคียง จึงต้องมีการตรวจสอบสิทธิ์ จุดอนุมัติ และคิวส่งต่อให้มนุษย์จัดการ
AI พรอมต์
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 รายงานในเดือนสิงหาคม 2026 ว่าผลิตภัณฑ์ AI สำหรับสั่งงานคอมพิวเตอร์ของบริษัท ซึ่งเรียกว่า Z-Agent ในประกาศของบริษัท และถูกเรียกว่า InAgent ในรายงานอื่น ทำอัตราสำเร็จ 90.2% บน OSWorld เป็นรายแรกที่มีรายงานว่าสูงกว่า 90% อีกทั้งยังได้อันดับหนึ่งในกระดานย่อยหมวด agentic framework 18
22
ประเด็นสำคัญจึงไม่ใช่ว่าโมเดลหนึ่งตัวแก้ปัญหาการทำงานบนเดสก์ท็อปได้หมดแล้ว แต่คือประสิทธิภาพของ AI agent กำลังขึ้นอยู่กับ harness หรือระบบซอฟต์แวร์ที่ห่อหุ้มและกำกับโมเดลมากขึ้น ระบบนี้ทำหน้าที่เปลี่ยนแผนของโมเดลให้เป็นการกระทำที่ควบคุมได้ ตรวจว่าทำสำเร็จจริงหรือไม่ และรับมือกับความผิดพลาดระหว่างทาง
InAgent ทำอะไรได้ตามรายงาน
รายงานเกี่ยวกับผลประเมินระบุตัวเลขของ InAgent บน OSWorld ไว้ดังนี้
- อัตราสำเร็จรวม 90.2%
- งานข้ามหลายแอปพลิเคชัน 84.7%
- งานบน GIMP 92.3%
- งานระดับระบบปฏิบัติการ 100%
22
ตัวเลขเหล่านี้เป็นผลที่มีการรายงาน ไม่ใช่ผลตรวจสอบอิสระ เอกสารต้นทางที่ให้มายังไม่มีรายงานทางเทคนิคสาธารณะที่แยกให้เห็นชัดว่า โมเดลพื้นฐาน เครื่องมือสั่งงาน พรอมป์ต การตั้งค่าประเมิน หรือส่วนใดของ harness ส่งผลต่อคะแนนเท่าใด นี่เป็นข้อแตกต่างสำคัญ เพราะคะแนน benchmark วัดผลของ การจัดวางโมเดลและระบบทั้งชุด ไม่ได้วัดความสามารถของโมเดลเพียงลำพัง
ควรแยก “การเป็นผู้นำ ณ ช่วงเวลาหนึ่ง” ออกจากการเป็นผู้นำถาวรด้วย ตัวอย่างเช่น ภาพรวมลีดเดอร์บอร์ดจากบุคคลที่สาม ณ เดือนกันยายน 2026 ระบุว่า Qwen3.8 Max ทำได้ 86.1% บน OSWorld-Verified ซึ่งสะท้อนว่าอันดับและรายละเอียดการตั้งค่าการประเมินเปลี่ยนแปลงได้ตามเวลา 3
OSWorld วัดอะไร และทำไมจึงมีความหมาย
OSWorld ถูกออกแบบมาเพื่อทดสอบเอเจนต์ในสภาพแวดล้อมคอมพิวเตอร์จริง ไม่ใช่ให้ตอบคำถามจากภาพหน้าจอหรือเว็บจำลอง ชุดทดสอบดั้งเดิมมี 369 งาน ครอบคลุมโปรแกรมอย่าง Chromium, LibreOffice, GIMP, Thunderbird, VLC และ Visual Studio Code รวมถึงงานระดับระบบปฏิบัติการและงานที่ต้องใช้หลายโปรแกรมร่วมกัน การให้คะแนนตรวจจากสถานะที่กำหนดของสภาพแวดล้อมด้วยตัวตรวจสอบแบบอิงการปฏิบัติจริง 2
14
การตั้งค่าที่ใช้อ้างอิงกันบ่อยคือ 361 งาน โดยตัดงาน Google Drive 8 งานที่อาจต้องตั้งค่าด้วยมือออก 14
ดังนั้น OSWorld จึงยากกว่าการทดสอบว่ากดปุ่มถูกหรือไม่ เอเจนต์ต้องนำทางในหน้าจอ ทำงานต่อเนื่องหลายขั้น จัดการไฟล์หรือสถานะของแอป และทำให้เครื่องอยู่ในสภาพสุดท้ายที่ถูกต้องตามโจทย์
บริบทในอดีตทำให้ตัวเลข 90.2% น่าสนใจ งานเผยแพร่ตั้งต้นของ OSWorld รายงานว่ามนุษย์ทำงานสำเร็จมากกว่า 72.36% ขณะที่โมเดลที่ทำได้ดีที่สุดในเวลานั้นอยู่ที่ 12.24% 14 อย่างไรก็ดี ไม่ควรตีความเป็นมาตรวัดสากลของความสามารถในการทำงานในองค์กร เพราะผล benchmark ขึ้นกับชนิดงาน การตั้งค่าสภาพแวดล้อม งบจำนวนการกระทำ เครื่องมือ และ harness ของเอเจนต์
จาก Prompt สู่ Harness Engineering
Prompt engineering คือการบอกโมเดลว่าต้องทำอะไร ส่วน context engineering คือการกำหนดข้อมูลที่โมเดลได้รับ ขณะที่ harness engineering คือการออกแบบระบบรันไทม์ที่กำกับว่าเอเจนต์จะสังเกต ลงมือทำ จดจำสถานะ ตรวจความสำเร็จ และฟื้นตัวจากความผิดพลาดอย่างไร
งานสำรวจด้านการออกแบบระบบเอเจนต์นิยาม execution harness ว่าเป็นโครงสร้างพื้นฐานที่กำหนดการรับรู้ การกระทำ และความสามารถในการตรวจพบหรือกู้คืนจากข้อผิดพลาดของเอเจนต์ โดยรวมถึงการออกแบบข้อมูลสังเกตการณ์ พื้นที่การกระทำ การแยกสภาพแวดล้อมการทำงาน การจัดการบริบท และวงจรตรวจสอบ 28
สำหรับ AI agent ที่ควบคุมคอมพิวเตอร์ harness ที่ดีมักต้องทำหน้าที่หลัก 6 ด้าน
- แยกงานเป็นเป้าหมายย่อยที่ทดสอบได้ เช่น งาน “อัปเดตคำสั่งซื้อ” ถูกแยกเป็น ค้นหารายการ ตรวจข้อมูล แก้ไข แนบหลักฐาน และยืนยันว่าข้อมูลถูกบันทึกจริง
- เลือกช่องทางสั่งงานที่เหมาะสม หากมีและได้รับอนุญาต API คำสั่งระบบ หรือเครื่องมือแบบมีโครงสร้าง อาจน่าเชื่อถือกว่าการคลิกเมาส์ ขณะที่ GUI ใช้กับขั้นตอนที่ไม่มีอินเทอร์เฟซอ่านด้วยเครื่องได้
- เก็บสถานะอย่างต่อเนื่อง ระบบต้องรู้ว่างานใดทำเสร็จแล้ว อยู่ในแอปใด เลือกรายการหรือไฟล์ใด และสามารถลองทำซ้ำอย่างปลอดภัยหรือไม่
- ตรวจผลจากแหล่งข้อมูลจริง คำกล่าวของโมเดลว่า “ทำเสร็จแล้ว” ไม่ใช่หลักฐาน Harness ควรตรวจจาก API ฐานข้อมูล ไฟล์ที่บันทึก หรือสถานะในแอปพลิเคชัน
- กู้คืนอย่างปลอดภัย ต้องมีนโยบายรับมือหน้าเว็บค้าง การคลิกไม่ติด ป๊อปอัป หมดเวลา การส่งข้อมูลไม่ครบ หรือการยืนยันตัวตนที่สะดุด
- บังคับใช้สิทธิ์และบันทึกการทำงาน บันทึกเหตุการณ์ ลำดับการกระทำ จุดอนุมัติ และข้อมูลรับรองที่จำกัดขอบเขต ช่วยให้การทำงานที่มีผลกระทบตรวจสอบย้อนหลังได้และปลอดภัยกว่า
มีหลักฐานเชิงทดลองว่าชั้นระบบนี้ส่งผลต่อประสิทธิภาพอย่างมีนัยสำคัญ งานหนึ่งรายงานว่าการปรับปรุง agentic harness 10 รอบ ทำให้คะแนน pass@1 บน Terminal-Bench 2 เพิ่มจาก 69.7% เป็น 77.0% สูงกว่า baseline harness ที่ออกแบบโดยมนุษย์ซึ่งอยู่ที่ 71.9% นี่เป็นคนละ benchmark จึงไม่ได้ยืนยันคะแนน OSWorld ของ InAgent แต่สนับสนุนข้อสรุปกว้าง ๆ ว่าการออกแบบรันไทม์ที่ดีสามารถเพิ่มผลลัพธ์ได้มากโดยไม่จำเป็นต้องเปลี่ยนโมเดล 29
เหตุใดแนวทางผสม API และ GUI จึงน่าสนใจต่อธุรกิจ
จุดขายเชิงกลยุทธ์ที่มีรายงานของ InAgent คือแนวทางแบบผสม: ใช้อินเทอร์เฟซโปรแกรมหรือ API ที่เชื่อถือได้เมื่อมีให้ใช้ แต่ยังคงควบคุม GUI แบบที่มนุษย์ใช้ได้สำหรับแอปที่ไม่มี API ที่เหมาะสม 22
แนวทางนี้ตอบโจทย์องค์กรที่กระบวนการทำงานต้องข้ามระหว่างบริการสมัยใหม่ซึ่งมี API กับซอฟต์แวร์เดสก์ท็อปรุ่นเก่า พอร์ทัลของผู้ให้บริการ หรือระบบภายในที่ช่องทางใช้งานจริงมีเพียงหน้าจอแบบเดียวกับที่พนักงานเห็น
ในทางหลักการ เอเจนต์สามารถเลือกเส้นทางที่น่าเชื่อถือที่สุดในแต่ละขั้นได้ เช่น
- ใช้ API หรือคำสั่งระบบเพื่อดึงและอัปเดตข้อมูลที่มีโครงสร้าง
- ใช้ GUI กับระบบเก่าหรือระบบปิด
- ตรวจยืนยันผลผ่านแหล่งข้อมูลที่ตรวจได้แน่นอน เมื่อทำได้
งานวิจัย OSWorld-MCP ก็พบว่าการเรียกใช้เครื่องมือช่วยเพิ่มอัตราสำเร็จของงานควบคุมคอมพิวเตอร์ได้ในบางเงื่อนไข โดยการเพิ่มเครื่องมือ MCP ทำให้ OpenAI o3 เพิ่มจาก 8.3% เป็น 17.6% ที่ 15 ขั้นตอน และ Claude 4 Sonnet เพิ่มจาก 38.9% เป็น 45.0% ที่ 50 ขั้นตอน 24
แต่ GUI automation ยังเผชิญความเสี่ยงจากการเปลี่ยนหน้าจอ ความหน่วง ป๊อปอัป เป้าหมายที่กำกวม การควบคุมสิทธิ์ การยืนยันตัวตนหลายปัจจัย (MFA) และการกระทำที่ย้อนกลับไม่ได้ วิธีผสม API กับ GUI ช่วยลดความเสี่ยงเหล่านี้ได้ แต่ไม่ได้ขจัดออกไปทั้งหมด
คะแนน 90.2% หมายความว่าอย่างไรเมื่อใช้งานจริง
อัตราสำเร็จ 90.2% หมายถึงงาน benchmark 9.8% ยังทำไม่สำเร็จ หากสมมติว่ามีงานที่เทียบเคียงกัน 10,000 งาน ก็จะมีข้อยกเว้นราว 980 งาน ก่อนนับรวมกรณีที่ดูเหมือนทำสำเร็จ แต่ผลลัพธ์ทางธุรกิจผิดพลาด
นี่ไม่ได้ลดความสำคัญของสถิติ แต่ชี้ว่า AI agent อาจเข้าใกล้การใช้งานได้จริงสำหรับงานที่มีขอบเขตชัด ทำซ้ำได้ และมีมาตรการควบคุมที่แข็งแรง อย่างไรก็ดี คะแนนดังกล่าวไม่ใช่ใบอนุญาตให้ปล่อยระบบทำงานโดยไร้คนดูแลกับการชำระเงิน การยื่นเอกสารทางกฎหมาย งานด้านความปลอดภัย หรือการเปลี่ยนแปลงที่กระทบลูกค้า
ก่อนนำไปใช้จริง ทีมงานควรวัดมากกว่าค่า pass rate บนพาดหัวข่าว ได้แก่
- อัตราทำสำเร็จและ ความถูกต้อง กับกระบวนการขององค์กรเอง
- รูปแบบความล้มเหลว และความสามารถในการกู้คืน
- ต้นทุน เวลาแฝง และจำนวนการกระทำ
- ขอบเขตสิทธิ์และจุดที่ต้องอนุมัติ
- หลักฐานว่าการกระทำที่บอกว่าสำเร็จ ได้เปลี่ยนสถานะในระบบเป้าหมายจริง
- ขนาดของคิวข้อยกเว้น และกระบวนการจัดการเมื่อเอเจนต์ไปต่อไม่ได้
OSWorld 2.0 ซึ่งใหม่กว่าและยากกว่า ยิ่งตอกย้ำว่าควรระมัดระวัง ชุดนี้มีเวิร์กโฟลว์ระยะยาว 108 งาน และผลดีที่สุดที่รายงานตามเกณฑ์ทำสำเร็จแบบไบนารีที่ 500 ขั้นตอนอยู่เพียง 20.6% แสดงว่าเมื่อโจทย์ยาวและใกล้งานจริงขึ้น เอเจนต์ยังห่างไกลจากการใช้งานคอมพิวเตอร์ระดับมืออาชีพอย่างครอบคลุม 17
หมุดหมายที่แท้จริงคือวิศวกรรมการลงมือทำ
ผล 90.2% ที่ InAgent รายงานควรถูกมองเป็นหมุดหมายของ วิศวกรรมระบบเอเจนต์ มากกว่า Prompt ที่ดีและบริบทที่ครบยังจำเป็น แต่ระบบอัตโนมัติที่เชื่อถือได้มากขึ้นกำลังมาจากกลไกรอบโมเดล ได้แก่ การแยกงาน การเลือกเครื่องมือ การเก็บสถานะ การพิสูจน์ผลลัพธ์ การจำกัดอำนาจ และเส้นทางกู้คืน
สำหรับองค์กร คำถามที่เป็นประโยชน์ไม่ใช่เพียงโมเดลใดนำ benchmark แต่คือเอเจนต์นั้นทำเวิร์กโฟลว์หนึ่ง ๆ ได้อย่างถูกต้องวัดผลได้ ควบคุมผลข้างเคียงได้ และส่งต่องานให้คนอย่างปลอดภัยเมื่อไปต่อไม่ได้หรือไม่ คะแนน OSWorld ที่สูงช่วยให้ข้อมูลต่อการประเมินคำถามนี้ได้ แต่ไม่อาจพิสูจน์คำตอบได้ด้วยตัวมันเอง
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "InAgent กับคะแนน OSWorld 90.2%: จุดเปลี่ยนสู่ยุค Harness Engineering" คืออะไร
Intelligence Indeed รายงานว่า InAgent/Z Agent ทำอัตราสำเร็จ 90.2% บนชุดประเมิน OSWorld และเป็นระบบแรกที่มีรายงานว่าข้ามระดับ 90%
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
Intelligence Indeed รายงานว่า InAgent/Z Agent ทำอัตราสำเร็จ 90.2% บนชุดประเมิน OSWorld และเป็นระบบแรกที่มีรายงานว่าข้ามระดับ 90% OSWorld ทดสอบให้เอเจนต์ทำงานในสภาพแวดล้อมคอมพิวเตอร์จริง พร้อมตรวจผลจากสถานะการทำงาน ไม่ได้วัดเพียงคำตอบข้อความหรือการคลิก
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
แม้อัตราสำเร็จ 90.2% จะสูงมาก แต่ยังหมายถึงงานราว 9.8% ที่ไม่สำเร็จในเงื่อนไขเทียบเคียง จึงต้องมีการตรวจสอบสิทธิ์ จุดอนุมัติ และคิวส่งต่อให้มนุษย์จัดการ
แหล่งที่มา
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 ...