AnswersPublished19 sources
InAgent’in %90,2 OSWorld Skoru, Yapay Zekâ Ajanlarında Neyi Değiştiriyor?
Intelligence Indeed, Z Agent olarak da duyurduğu InAgent’in OSWorld’de %90,2 görev başarısına ulaştığını ve %90 eşiğini geçen ilk bildirilen katılımcı olduğunu açıkladı.[18][22] OSWorld, ajanları gerçek masaüstü ve web uygulamalarında, başlangıç durumu tanımlanmış ortamlarda ve yürütme tabanlı kontrollerle ölçüyor.[...
YayımlayanGPT-5.6 Terra ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- Intelligence Indeed, Z Agent olarak da duyurduğu InAgent’in OSWorld’de %90,2 görev başarısına ulaştığını ve %90 eşiğini geçen ilk bildirilen katılımcı olduğunu açıkladı.[18][22]
- OSWorld, ajanları gerçek masaüstü ve web uygulamalarında, başlangıç durumu tanımlanmış ortamlarda ve yürütme tabanlı kontrollerle ölçüyor.[2][14]
- Yüksek bir benchmark skoru üretimde güvenilirlik garantisi değildir: %90,2 başarı, benzer 10.000 işte yaklaşık 980 başarısız ya da tamamlanmamış iş anlamına gelir.
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, Ağustos 2026’da bilgisayar kullanımı odaklı ürününün OSWorld’de %90,2 görev başarı oranına ulaştığını duyurdu. Şirket ürünü kendi açıklamasında Z-Agent, bazı haberlerde ise InAgent adıyla anıyor. Açıklamaya göre bu, OSWorld’de %90 eşiğini geçen ilk bildirilen sonuçtu; sistem ayrıca agentic framework alt sıralamasında da ilk sıraya yerleşti.18
22
Ancak bu sonucu, tek bir yapay zekâ modelinin masaüstü otomasyonunu “çözdüğü” şeklinde okumak yanıltıcı olur. Asıl dikkat çekici nokta, ajanın etrafındaki harnessın — yani modeli kontrollü eylemlere dönüştüren, sonuçları doğrulayan ve hata durumlarını yöneten çalışma zamanı altyapısının — giderek belirleyici hâle gelmesi.
Bildirilen sonuçlar neydi?
InAgent için yayımlanan haberlerde OSWorld değerlendirmesine ilişkin şu oranlar yer alıyor:
- Genel görev başarısı: %90,2
- Uygulamalar arası görevler: %84,7
- GIMP görevleri: %92,3
- Sistem düzeyi görevler: %100
22
Bunlar şirketin bildirdiği sonuçlar; sağlanan kaynaklarda temel modelin, komutların, araçların, değerlendirme ayarlarının ve harness bileşenlerinin her birinin skora etkisini ayıran bağımsız bir teknik doğrulama bulunmuyor. Bu önemli bir ayrım: Bir ajan benchmark skoru, modelin tek başına zekâsını değil, model ve sistem yapılandırmasının tamamını ölçer.
Liderlik tabloları da kalıcı değildir. Örneğin, Eylül 2026 tarihli bir üçüncü taraf OSWorld-Verified görünümünde Qwen3.8 Max %86,1 ile önde listeleniyordu. Bu da değerlendirme sürümlerinin ve sıralamaların zamanla değişebildiğini gösteriyor.3
OSWorld neden önemli?
OSWorld, ekran görüntüsü üzerinden soru yanıtlama ya da simüle edilmiş web sayfalarında tıklama testlerinden farklı olarak, ajanların gerçek bilgisayar ortamlarında çalışmasını ölçmek için tasarlandı. Özgün benchmark; Chromium, LibreOffice, GIMP, Thunderbird, VLC ve Visual Studio Code gibi uygulamaları; işletim sistemi işlemlerini ve çoklu uygulama akışlarını kapsayan 369 gerçek dünya görevinden oluşuyor. Başarı, yapılandırılmış ortamın son durumunu kontrol eden yürütme tabanlı değerlendiricilerle ölçülüyor.2
14
Manuel kurulum gerektirebilen sekiz Google Drive görevi dışarıda bırakıldığında sık kullanılan yapılandırma 361 görevden oluşuyor.14
Dolayısıyla ajanın yalnızca doğru düğmeye basması yetmez. Arayüzde ilerlemesi, çok adımlı süreç boyunca bağlamı koruması, dosya ve uygulama durumunu değiştirmesi ve bilgisayarı beklenen nihai duruma bırakması gerekir.
Karşılaştırma için tarihsel başlangıç seviyesi çarpıcıdır: OSWorld’ün ilk yayımlanan referansında insanlar görevlerin %72,36’sından fazlasını tamamlarken en iyi modelin oranı %12,24’tü.14 Yine de bu oranları genel ofis yetkinliğinin evrensel ölçüsü saymamak gerekir; görev seçimi, ortam kurulumu, eylem bütçesi, araçlar ve harness tasarımı sonucu doğrudan etkiler.
Prompt’tan harness mühendisliğine geçiş
Prompt mühendisliği, modele ne yapacağının söylenmesidir. Bağlam mühendisliği, modelin hangi bilgiyi ne zaman göreceğini düzenler. Harness mühendisliği ise ajanın neyi gözlemlediğini, nasıl eylem yaptığını, durumunu nasıl koruduğunu, işi bitirip bitirmediğini nasıl doğruladığını ve başarısızlıkta ne yapacağını yöneten çalışma zamanı sistemini tasarlar.
Ajan sistemleri üzerine bir araştırma derlemesi, execution harness’ı ajanın algısını, eylemlerini, hata algılama ve toparlanma becerisini şekillendiren altyapı olarak tanımlıyor. Bu katman; gözlem tasarımı, eylem alanları, sandbox ortamları, bağlam yönetimi ve doğrulama döngülerini kapsıyor.28
Sağlam bir bilgisayar-kullanım ajanı için harness’ın tipik görevleri şunlardır:
- İşi doğrulanabilir alt hedeflere bölmek: Örneğin “sipariş kaydını güncelle” yerine kaydı bulma, alanları doğrulama, değişikliği yapma, kanıt ekleme ve kaydın kalıcı olduğunu kontrol etme.
- Doğru eylem kanalını seçmek: İzinli ve mevcutsa API, komut ya da yapılandırılmış araç kullanmak; makinece okunabilir bir arayüz yoksa GUI kontrolüne başvurmak.
- Kalıcı durum tutmak: Tamamlanan adımlar, seçili kayıt, açık uygulama, dosyalar ve yeniden denemenin güvenli olup olmadığı gibi bilgileri korumak.
- Sonucu sistem kaynağından doğrulamak: Modelin “başardım” demesi kanıt değildir. API yanıtı, veritabanı değeri, kaydedilen dosya veya uygulama durumu kontrol edilmelidir.
- Hatalardan güvenli biçimde toparlanmak: Zaman aşımı, açılır pencere, başarısız tıklama, yarım kalmış gönderim, oturum açma sorunu ya da eski sayfa gibi durumlarda güvenli yeniden deneme, geri alma veya insan müdahalesi uygulamak.
- Yetki ve izlenebilirlik sağlamak: Eylem kayıtları, onay kapıları, sınırlı kimlik bilgileri ve izleme verileri, yüksek etkili işlemlerin denetlenebilmesini sağlar.
Bu katmanın performansı anlamlı biçimde değiştirebildiğine dair deneysel işaretler var. Bir çalışma, agentic harness engineering’deki on iterasyonun Terminal-Bench 2’de pass@1 oranını %69,7’den %77,0’ye çıkardığını; bunun belirtilen %71,9’luk insan tasarımlı harness temelini de geçtiğini bildiriyor. Bu farklı bir benchmark olduğu için InAgent’in OSWorld sonucunu doğrulamaz; fakat model değiştirmeden çalışma zamanı tasarımıyla büyük artışlar sağlanabileceğini destekler.29
API ve GUI’yi birlikte kullanmanın ticari değeri
InAgent’in bildirilen stratejik çekiciliği, uygun olduğu yerde programatik arayüzleri kullanıp gerekli olduğunda insan benzeri GUI kontrolünü koruyan hibrit yaklaşımıdır.22
Bu yaklaşım kurumlardaki yaygın bir soruna yanıt verir: Süreçler çoğu zaman API’si olan modern hizmetlerle, API’si bulunmayan eski masaüstü yazılımları, tedarikçi portalları veya kurum içi ekranlar arasında uzanır.
Teoride ajan her adımda en güvenilir yolu seçebilir:
- Yapılandırılmış veri okuma ve güncellemede API veya komut kullanmak,
- Kapalı ya da eski sistemlerde GUI ile ilerlemek,
- Mümkünse sonucu deterministik bir kayıt sisteminden doğrulamak.
OSWorld-MCP araştırması da araç çağırmanın bazı bilgisayar-kullanım senaryolarında başarıyı artırabildiğini buldu. Raporlanan deneylerde MCP araçları, OpenAI o3’ün oranını 15 adımda %8,3’ten %17,6’ya; Claude 4 Sonnet’in oranını 50 adımda %38,9’dan %45,0’a yükseltti.24
Buna rağmen GUI otomasyonu; arayüz değişiklikleri, gecikme, açılır pencereler, belirsiz hedefler, erişim kontrolleri, çok faktörlü kimlik doğrulama ve geri alınamaz işlemler nedeniyle kırılganlığını korur. Hibrit yürütme bu riski azaltabilir, fakat sıfırlamaz.
%90,2 üretim ortamı için ne ifade ediyor?
%90,2 tamamlama oranı, benchmark görevlerinin %9,8’inin başarıyla tamamlanmadığı anlamına gelir. Varsayımsal olarak 10.000 benzer işte bu, yaklaşık 980 istisna demektir; üstelik görünüşte başarılı olup yanlış iş sonucu üreten sessiz hatalar bu hesaba dâhil değildir.
Bu nedenle sonuç önemsiz değildir: Güçlü kontrollerle sınırları iyi çizilmiş, tekrarlanabilir iş akışlarında bilgisayar-kullanım ajanlarının kullanışlılığa yaklaştığını gösterir. Ancak ödeme, hukuki bildirim, güvenlik açısından kritik operasyon veya müşteriyi doğrudan etkileyen değişikliklerde gözetimsiz otomasyon için tek başına yeterli bir gerekçe değildir.
Üretim değerlendirmesinde ekiplerin manşet niteliğindeki başarı oranının ötesine bakması gerekir:
- Kendi iş akışlarındaki tamamlama ve doğruluk oranı,
- Hata türleri ve toparlanabilirlik,
- Maliyet, gecikme ve eylem sayısı,
- Yetki sınırları ile insan onayı gereken aşamalar,
- Her eylemin hedef sistem durumunu gerçekten değiştirdiğine dair kanıt,
- İstisna kuyruğunun büyüklüğü ve yönetim süreci.
Daha yeni ve zorlu OSWorld 2.0 da temkin gereğini vurguluyor. 108 uzun soluklu iş akışından oluşan benchmarkta, ana 500 adımlık ikili tamamlama metriğinde bildirilen en yüksek sonuç yalnızca %20,6 oldu. Bu, görevler uzayıp gerçekçi hâle geldikçe ajanların profesyonel düzeyde genel bilgisayar kullanmaktan hâlâ uzak olduğunu gösteriyor.17
Asıl dönüm noktası: yürütme mühendisliği
InAgent’in bildirilen %90,2’lik sonucu en doğru biçimde bir ajan-sistem mühendisliği dönüm noktası olarak okunabilir. Daha iyi prompt’lar ve daha zengin bağlam hâlâ önem taşıyor. Fakat güvenilir otomasyonun giderek daha büyük bölümü modelin çevresindeki mekanizmadan geliyor: işi bölmek, doğru aracı seçmek, durumu korumak, tamamlanmayı kanıtlamak, yetkiyi sınırlamak ve hata durumlarında güvenli çıkış yolu sunmak.
Kurumlar için asıl soru, hangi modelin benchmarkta birinci olduğu değildir. Asıl soru; belirli bir iş akışını ölçülebilir doğrulukla, kontrollü yan etkilerle ve ilerleyemediğinde güvenli biçimde insana devrederek yürütüp yürütemediğidir. Yüksek OSWorld skoru bu soruya ışık tutabilir; fakat tek başına yanıt veremez.
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’in %90,2 OSWorld Skoru, Yapay Zekâ Ajanlarında Neyi Değiştiriyor?"?
Intelligence Indeed, Z Agent olarak da duyurduğu InAgent’in OSWorld’de %90,2 görev başarısına ulaştığını ve %90 eşiğini geçen ilk bildirilen katılımcı olduğunu açıkladı.[18][22]
What are the key points to validate first?
Intelligence Indeed, Z Agent olarak da duyurduğu InAgent’in OSWorld’de %90,2 görev başarısına ulaştığını ve %90 eşiğini geçen ilk bildirilen katılımcı olduğunu açıkladı.[18][22] OSWorld, ajanları gerçek masaüstü ve web uygulamalarında, başlangıç durumu tanımlanmış ortamlarda ve yürütme tabanlı kontrollerle ölçüyor.[2][14]
What should I do next in practice?
Yüksek bir benchmark skoru üretimde güvenilirlik garantisi değildir: %90,2 başarı, benzer 10.000 işte yaklaşık 980 başarısız ya da tamamlanmamış iş anlamına gelir.
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 ...