AnswersPublished19 sources
Результат InAgent у 90,2%: чому ШІ-агенту недостатньо просто хорошої моделі
Intelligence Indeed повідомила, що її Z Agent, який в інших публікаціях називають InAgent, досяг 90,2% успішності в OSWorld — це перший заявлений результат понад 90%. OSWorld перевіряє, чи здатен агент працювати в реальних комп’ютерних середовищах і залишати систему в потрібному фінальному стані, а не лише давати пр...
ОпублікувавВідредаговано за допомогою GPT-5.6 TerraЗображення створено за допомогою GPT Image 2
Research answer
Key takeaways
- Intelligence Indeed повідомила, що її Z Agent, який в інших публікаціях називають InAgent, досяг 90,2% успішності в OSWorld — це перший заявлений результат понад 90%.
- OSWorld перевіряє, чи здатен агент працювати в реальних комп’ютерних середовищах і залишати систему в потрібному фінальному стані, а не лише давати правильні текстові відповіді.
- Навіть 90,2% означають 9,8% невдалих завдань за умов бенчмарку. Для важливих процесів потрібні незалежні перевірки, обмеження повноважень, черги винятків і людське погодження.
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 у серпні 2026 року повідомила, що її продукт для керування комп’ютером — у власному повідомленні Z-Agent, а в іншому висвітленні InAgent — досяг 90,2% успішного виконання завдань у OSWorld. Компанія також заявила про перше місце в підрейтингу агентних фреймворків. Це був перший заявлений результат вище за 90%. 18
22
Головний висновок тут не в тому, що якась одна модель уже «вирішила» проблему автоматизації роботи за комп’ютером. Результат радше підкреслює інше: продуктивність агента дедалі більше залежить від середовища виконання — англійською harness. Це програмна система навколо моделі, яка перетворює її план на контрольовані дії, перевіряє результат і реагує на типові збої реальних робочих процесів.
Які результати заявив InAgent
У публікаціях про оцінювання InAgent наводяться такі показники:
- 90,2% загального успішного виконання завдань;
- 84,7% у завданнях, що охоплюють кілька застосунків;
- 92,3% у завданнях із графічним редактором GIMP;
- 100% у системних завданнях.
22
Це заявлені результати, а не дані незалежного аудиту. У наданих матеріалах немає відкритого технічного звіту, який би окремо показував вплив базової моделі, інструментів дії, промптів, налаштувань тестування та компонентів середовища виконання. Це принципова різниця: бал у бенчмарку оцінює конкретну конфігурацію «модель плюс система», а не інтелект моделі ізольовано.
Не варто також плутати історичну заяву про лідерство з постійною позицією в рейтингу. Сторонній зріз лідерборда за вересень 2026 року вказував іншу систему — Qwen3.8 Max із 86,1% в OSWorld-Verified. Це ілюструє, що рейтинги та конфігурації оцінювання змінюються з часом. 3
Що саме перевіряє OSWorld
OSWorld створили для тестування агентів у справжніх комп’ютерних середовищах, а не для відповідей на запитання за скриншотами чи роботи в імітованих вебсторінках. Початковий бенчмарк містить 369 реальних завдань у таких програмах, як Chromium, LibreOffice, GIMP, Thunderbird, VLC і Visual Studio Code, а також системні та міжзастосункові сценарії. Перевірка відбувається за фактичним станом налаштованого середовища після виконання дій. 2
14
У поширеній конфігурації використовують 361 завдання: вісім завдань Google Drive виключають, оскільки вони можуть потребувати ручного налаштування. 14
Тому OSWorld складніший за тест на влучне натискання кнопок. Агент має орієнтуватися в інтерфейсах, не втрачати контекст у багатокроковому процесі, працювати з файлами та станом програм і, зрештою, привести комп’ютер до очікуваного фінального стану.
На тлі історичних даних заява про 90,2% виглядає помітною. У первинних опублікованих результатах OSWorld люди виконували понад 72,36% завдань, тоді як найкраща модель мала 12,24%. 14 Але це не універсальний вимір професійної придатності: результат у бенчмарку залежить від добору завдань, стартового стану середовища, ліміту дій, доступних інструментів і самого середовища виконання агента.
Від промптів до інженерії середовища виконання
Промпт пояснює моделі, що робити. Контекстна інженерія визначає, яку інформацію вона отримає. Інженерія середовища виконання проєктує систему, яка керує тим, як агент спостерігає, діє, зберігає стан, перевіряє завершення та відновлюється після збоїв.
Огляд архітектур агентних систем описує це середовище як інфраструктуру, що формує сприйняття агента, його дії та здатність виявляти й виправляти помилки. До неї належать дизайн спостережень, простір доступних дій, ізоляція виконання, управління контекстом і цикли верифікації. 28
Для агента, який працює з комп’ютером, таке середовище зазвичай має виконувати щонайменше шість функцій:
- Ділити процес на перевірювані підцілі. Замість розпливчастого «онови замовлення» система може вимагати знайти запис, звірити поля, внести зміну, додати підтвердження й переконатися, що дані збережено.
- Спрямовувати дію до належного інтерфейсу. Якщо це дозволено й доступно, API, команда або структурований інструмент можуть бути надійнішими за клік мишкою. Водночас GUI потрібен там, де машиночитаного інтерфейсу немає.
- Зберігати стійкий стан. Агенту потрібен запис про виконані кроки, поточний стан програми, вибрані об’єкти й файли, а також розуміння, чи безпечно повторювати дію.
- Перевіряти результат у першоджерелі даних. Твердження моделі про успіх не є доказом. Система може перевірити відповідь API, значення в базі даних, збережений файл або стан застосунку.
- Безпечно відновлюватися після помилок. Потрібні правила для застарілих сторінок, невдалих кліків, спливних вікон, тайм-аутів, частково поданих форм і перерваної автентифікації.
- Обмежувати повноваження та забезпечувати спостережуваність. Журнали, трасування дій, точки погодження та обмежені облікові дані роблять важливі операції безпечнішими й доступними для перевірки.
Є й емпіричні дані, що цей шар може відчутно впливати на результат. Одне дослідження повідомило: десять ітерацій інженерії агентного середовища підвищили pass@1 у Terminal-Bench 2 із 69,7% до 77,0%, перевищивши згаданий базовий показник 71,9% для середовища, створеного людьми. Це інший бенчмарк, тож він не підтверджує результат InAgent в OSWorld. Проте він підтримує ширший висновок: продумана система виконання здатна суттєво підвищити ефективність без простої заміни моделі. 29
Чому поєднання API та GUI цікаве для бізнесу
Заявлена практична перевага InAgent — гібридний підхід: використовувати надійні програмні інтерфейси там, де вони доступні, але зберігати «людське» керування через графічний інтерфейс для програм без придатного API. 22
Це відповідає типовій проблемі компаній: робочий процес часто проходить через сучасні сервіси з API, а також старі десктопні програми, портали постачальників чи внутрішні системи, де єдиний практичний шлях — екран, з яким працює людина.
У теорії агент може обирати найнадійніший шлях на кожному кроці:
- застосовувати API або команду для структурованого читання й оновлення даних;
- використовувати GUI для застарілого чи закритого інтерфейсу;
- за можливості підтверджувати результат через детермінований першоджерельний запис.
Дослідження OSWorld-MCP також показує, що виклик інструментів може підвищувати успішність комп’ютерних агентів у деяких сценаріях. У наведених експериментах додавання інструментів MCP підняло результат OpenAI o3 із 8,3% до 17,6% за 15 кроків, а Claude 4 Sonnet — із 38,9% до 45,0% за 50 кроків. 24
Проте GUI-автоматизація все одно вразлива до змін інтерфейсу, затримок, спливних вікон, неоднозначних елементів на екрані, обмежень доступу, багатофакторної автентифікації та незворотних дій. Гібридне виконання може зменшити ці ризики, але не усуває їх.
Що 90,2% означають для впровадження
Рівень успішності 90,2% означає, що 9,8% завдань у бенчмарку не було завершено успішно. Для умовних 10 000 подібних завдань це приблизно 980 винятків — ще до врахування помилок, які формально виглядають як успіх, але дають неправильний бізнес-результат.
Це не применшує важливість показника. Він вказує, що агенти для роботи з комп’ютером можуть наближатися до практичної цінності в обмежених, повторюваних процесах за наявності сильних контролів. Але це не підстава залишати без нагляду автоматизацію платежів, юридичних подань, операцій із критичними наслідками чи змін, що впливають на клієнтів.
Перед виробничим запуском варто оцінювати не лише гучний відсоток успішності, а й:
- завершення та правильність на власних процесах;
- типи помилок і можливість безпечного відновлення;
- вартість, затримку та кількість дій;
- межі доступу й точки погодження;
- докази, що завершена дія дійсно змінила потрібний стан у цільовій системі;
- розмір черги винятків і процес їх обробки.
Новіший і складніший бенчмарк OSWorld 2.0 підкреслює потребу в обережності. Він містить 108 довгих робочих сценаріїв; найкращий заявлений результат за основною метрикою повного виконання при 500 кроках становив лише 20,6%. Це свідчить, що за довших і реалістичніших завдань агенти ще далекі від універсального професійного рівня роботи за комп’ютером. 17
Справжня віха — інженерія виконання
Заявлені InAgent 90,2% найкраще сприймати як віху в інженерії агентних систем. Якісні промпти й багатий контекст залишаються важливими, але надійна автоматизація дедалі більше залежить від механізмів навколо моделі: декомпозиції, вибору інструментів, стійкого стану, перевірюваного завершення, обмежених повноважень і сценаріїв відновлення.
Для компаній ключове питання — не просто те, яка модель очолює бенчмарк. Важливіше, чи здатен агент виконувати конкретний процес із вимірюваною правильністю, контрольованими побічними ефектами та безпечним передаванням справи людині, коли він не може продовжити. Високий бал OSWorld може бути корисним сигналом для такої оцінки, але сам по собі не є її доказом.
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 "Результат InAgent у 90,2%: чому ШІ-агенту недостатньо просто хорошої моделі"?
Intelligence Indeed повідомила, що її Z Agent, який в інших публікаціях називають InAgent, досяг 90,2% успішності в OSWorld — це перший заявлений результат понад 90%.
What are the key points to validate first?
Intelligence Indeed повідомила, що її Z Agent, який в інших публікаціях називають InAgent, досяг 90,2% успішності в OSWorld — це перший заявлений результат понад 90%. OSWorld перевіряє, чи здатен агент працювати в реальних комп’ютерних середовищах і залишати систему в потрібному фінальному стані, а не лише давати правильні текстові відповіді.
What should I do next in practice?
Навіть 90,2% означають 9,8% невдалих завдань за умов бенчмарку. Для важливих процесів потрібні незалежні перевірки, обмеження повноважень, черги винятків і людське погодження.
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 ...