Câu trả lờiĐã xuất bản19 nguồn
InAgent đạt 90,2% trên OSWorld: Khi AI agent cần một “harness” tốt, không chỉ mô hình mạnh
Intelligence Indeed cho biết InAgent/Z Agent đạt tỷ lệ hoàn thành 90,2% trên cấu hình OSWorld gồm 361 tác vụ — mức trên 90% đầu tiên được công bố. OSWorld đánh giá agent trong môi trường máy tính thật, kiểm tra trạng thái kết quả sau khi thực thi thay vì chỉ chấm câu trả lời bằng văn bản.
Đăng bởiBiên tập bằng GPT-5.6 TerraHình ảnh được tạo bằng GPT Image 2
Câu trả lời nghiên cứu
Bài học chính
- Intelligence Indeed cho biết InAgent/Z Agent đạt tỷ lệ hoàn thành 90,2% trên cấu hình OSWorld gồm 361 tác vụ — mức trên 90% đầu tiên được công bố.
- OSWorld đánh giá agent trong môi trường máy tính thật, kiểm tra trạng thái kết quả sau khi thực thi thay vì chỉ chấm câu trả lời bằng văn bản.
- Ngay cả tỷ lệ 90,2% vẫn tương ứng 9,8% tác vụ không hoàn tất; các quy trình quan trọng cần kiểm chứng xác định được, phân quyền, hàng đợi ngoại lệ và điểm phê duyệt của con người.
Prompt AI
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 cho biết vào tháng 8/2026 rằng sản phẩm AI điều khiển máy tính của họ — được gọi là Z-Agent trong thông báo của công ty và là InAgent trong một số bài đưa tin — đạt tỷ lệ hoàn thành tác vụ 90,2% trên OSWorld. Theo công bố, đây là lần đầu một hệ thống được báo cáo vượt mốc 90%, đồng thời đứng đầu một bảng xếp hạng phụ dành cho khung agent. 18
22
Điểm đáng chú ý không phải là một mô hình đơn lẻ đã “giải quyết” hoàn toàn bài toán tự động hóa máy tính. Điều quan trọng hơn là hiệu năng của AI agent ngày càng phụ thuộc vào harness — lớp phần mềm bao quanh mô hình, biến kế hoạch thành hành động có kiểm soát, kiểm tra kết quả và xử lý các tình huống lệch khỏi quy trình.
InAgent được báo cáo đã làm được gì?
Các bài đưa tin về kết quả của InAgent nêu những chỉ số sau trên OSWorld:
- 90,2% hoàn thành tác vụ tổng thể;
- 84,7% ở các tác vụ liên ứng dụng;
- 92,3% ở các tác vụ GIMP;
- 100% ở các tác vụ cấp hệ thống.
22
Đây là các kết quả được báo cáo, chưa phải kết quả kiểm toán độc lập. Những nguồn được cung cấp không kèm một báo cáo kỹ thuật công khai đủ chi tiết để tách bạch đóng góp của mô hình nền tảng, công cụ hành động, prompt, cấu hình đánh giá và từng thành phần harness. Vì vậy, điểm benchmark nên được hiểu là thành tích của cả cấu hình mô hình lẫn hệ thống, không phải thước đo độc lập cho “trí thông minh” của mô hình.
Cũng cần phân biệt tuyên bố về vị trí tại một thời điểm với thứ hạng lâu dài. Một ảnh chụp bảng xếp hạng bên thứ ba vào tháng 9/2026 ghi nhận Qwen3.8 Max ở mức 86,1% trên OSWorld-Verified, cho thấy bảng xếp hạng và cấu hình đánh giá có thể thay đổi theo thời gian. 3
Vì sao OSWorld là phép thử đáng chú ý?
OSWorld được thiết kế để kiểm tra agent vận hành trong môi trường máy tính thật, thay vì chỉ trả lời câu hỏi từ ảnh chụp màn hình hoặc thao tác trên trang web mô phỏng. Bộ benchmark ban đầu có 369 tác vụ thực tế, trải trên Chromium, LibreOffice, GIMP, Thunderbird, VLC, Visual Studio Code, các thao tác hệ điều hành và quy trình liên ứng dụng. Kết quả được chấm bằng kiểm tra trạng thái môi trường sau khi agent thực thi. 2
14
Cấu hình 361 tác vụ thường được sử dụng là phiên bản loại bỏ tám tác vụ Google Drive có thể đòi hỏi thiết lập thủ công. 14
Do đó, đây không đơn thuần là bài kiểm tra dự đoán thao tác nhấp chuột. Agent cần điều hướng giao diện, duy trì tiến độ qua nhiều bước, xử lý tệp hoặc trạng thái ứng dụng, rồi để lại máy tính ở đúng trạng thái cuối cùng được yêu cầu.
Bối cảnh lịch sử khiến tuyên bố 90,2% trở nên đáng chú ý. Tài liệu tham chiếu ban đầu của OSWorld cho thấy con người hoàn thành hơn 72,36% tác vụ, trong khi mô hình tốt nhất chỉ đạt 12,24%. 14 Tuy nhiên, không nên coi đây là thước đo phổ quát cho năng lực làm việc văn phòng: kết quả benchmark còn phụ thuộc tập tác vụ, cách dựng môi trường, giới hạn số bước hành động, công cụ và harness của agent.
Từ prompt đến harness engineering
Prompt engineering là cách viết chỉ dẫn cho mô hình. Context engineering quyết định thông tin nào được đưa vào ngữ cảnh. Còn harness engineering là thiết kế hệ thống vận hành kiểm soát việc agent quan sát, hành động, lưu trạng thái, xác minh hoàn tất và phục hồi sau lỗi.
Một khảo sát về thiết kế hệ thống agent mô tả execution harness là hạ tầng định hình nhận thức, hành động, cũng như năng lực phát hiện và khắc phục lỗi của agent. Lớp này bao gồm thiết kế quan sát, không gian hành động, môi trường thực thi cô lập, quản lý ngữ cảnh và các vòng lặp xác minh. 28
Với agent điều khiển máy tính, một harness tốt thường phải đảm nhiệm sáu việc:
- Chia quy trình thành các mục tiêu con có thể kiểm tra. Thay vì chỉ giao lệnh “cập nhật đơn hàng”, hệ thống có thể buộc agent lần lượt tìm hồ sơ, xác thực trường dữ liệu, thực hiện cập nhật, đính kèm bằng chứng và kiểm tra thay đổi đã được lưu.
- Chọn đúng kênh thực thi. Khi có sẵn và được phép, API, lệnh hệ thống hoặc công cụ có cấu trúc thường đáng tin cậy hơn thao tác chuột; GUI sẽ phù hợp với bước không có giao diện máy đọc được.
- Duy trì trạng thái bền vững. Agent cần biết bước nào đã xong, ứng dụng đang ở trạng thái nào, mục nào được chọn, tệp nào đã tạo và thao tác có an toàn để thử lại hay không.
- Xác minh từ hệ thống nguồn. Việc mô hình tự nói “đã xong” không phải bằng chứng. Harness có thể kiểm tra phản hồi API, giá trị cơ sở dữ liệu, tệp đã lưu hoặc trạng thái thực của ứng dụng.
- Phục hồi một cách an toàn. Cần có chính sách cho trang cũ, cú nhấp thất bại, cửa sổ bật lên, hết thời gian chờ, gửi dở dang hoặc gián đoạn xác thực.
- Áp đặt quyền hạn và khả năng quan sát. Nhật ký, vết hành động, cổng phê duyệt và thông tin xác thực bị giới hạn giúp các thao tác có hệ quả trở nên dễ rà soát và an toàn hơn.
Có bằng chứng thực nghiệm cho thấy lớp này có thể tác động rõ rệt tới hiệu năng. Một nghiên cứu báo cáo rằng 10 vòng lặp kỹ thuật harness đã nâng pass@1 trên Terminal-Bench 2 từ 69,7% lên 77,0%, vượt mốc 71,9% của harness do con người thiết kế mà nghiên cứu trích dẫn. Đây là benchmark khác, nên không xác thực điểm OSWorld của InAgent; nhưng nó củng cố nhận định rằng thiết kế runtime có thể tạo ra cải thiện lớn mà không nhất thiết thay mô hình. 29
Vì sao chiến lược kết hợp API và GUI hấp dẫn doanh nghiệp?
Sức hút thương mại được đề cập của InAgent là cách tiếp cận lai: dùng giao diện lập trình khi có sẵn, nhưng vẫn giữ khả năng điều khiển GUI như con người cho các ứng dụng không có API phù hợp. 22
Đây là một vấn đề thực tế trong doanh nghiệp. Nhiều quy trình đi qua cả dịch vụ hiện đại có API lẫn phần mềm máy tính cũ, cổng thông tin của nhà cung cấp hoặc hệ thống nội bộ mà cách thao tác thực tế duy nhất là qua màn hình như nhân viên vẫn làm.
Về nguyên tắc, agent có thể chọn đường đi đáng tin cậy nhất ở từng bước:
- Dùng API hoặc lệnh cho truy xuất, cập nhật dữ liệu có cấu trúc.
- Dùng GUI cho giao diện cũ, đóng hoặc thiếu tích hợp máy-máy.
- Khi có thể, kiểm tra kết quả qua một hệ thống nguồn có thể xác minh xác định.
Nghiên cứu OSWorld-MCP cũng cho thấy việc gọi công cụ có thể cải thiện tỷ lệ thành công của agent điều khiển máy tính trong một số điều kiện. Trong các thử nghiệm được báo cáo, việc bổ sung công cụ MCP nâng OpenAI o3 từ 8,3% lên 17,6% ở giới hạn 15 bước, và Claude 4 Sonnet từ 38,9% lên 45,0% ở giới hạn 50 bước. 24
Dù vậy, tự động hóa GUI vẫn dễ bị ảnh hưởng bởi thay đổi giao diện, độ trễ, cửa sổ bật lên, mục tiêu mơ hồ, kiểm soát truy cập, xác thực đa yếu tố (MFA) và các hành động không thể đảo ngược. Cách tiếp cận lai có thể giảm rủi ro, chứ không loại bỏ hoàn toàn rủi ro.
90,2% có ý nghĩa gì khi triển khai thực tế?
Tỷ lệ hoàn thành 90,2% đồng nghĩa 9,8% tác vụ benchmark không được hoàn tất thành công. Nếu giả định có 10.000 tác vụ tương đương, con số này tương ứng khoảng 980 trường hợp ngoại lệ, chưa tính các lỗi trông có vẻ thành công nhưng tạo ra kết quả nghiệp vụ sai.
Điều đó không làm điểm số trở nên kém quan trọng. Nó gợi ý agent điều khiển máy tính có thể đang tiến gần hơn tới tính hữu dụng cho các quy trình giới hạn, lặp lại và có kiểm soát chặt. Nhưng đây chưa phải là lý do để tự động hóa không giám sát các khoản thanh toán, hồ sơ pháp lý, vận hành an toàn trọng yếu hay thay đổi tác động trực tiếp tới khách hàng.
Khi đánh giá để đưa vào vận hành, doanh nghiệp nên nhìn vượt ra ngoài tỷ lệ pass rate nổi bật:
- tỷ lệ hoàn thành và độ đúng trên chính quy trình của mình;
- dạng lỗi và khả năng phục hồi;
- chi phí, độ trễ và số lượng hành động;
- ranh giới quyền hạn cùng các điểm cần phê duyệt;
- bằng chứng rằng thao tác hoàn tất thực sự đã làm thay đổi đúng trạng thái hệ thống;
- quy mô hàng đợi ngoại lệ và cách xử lý chúng.
OSWorld 2.0 — benchmark mới hơn và khó hơn — càng cho thấy lý do cần thận trọng. Bộ này có 108 quy trình dài hạn; kết quả hoàn thành nhị phân cao nhất được báo cáo chỉ là 20,6% theo thước đo chính 500 bước. Điều đó cho thấy agent vẫn còn cách xa năng lực sử dụng máy tính đạt chuẩn chuyên nghiệp một cách rộng rãi khi nhiệm vụ dài hơn và sát thực tế hơn. 17
Cột mốc thực sự là kỹ thuật thực thi
Kết quả 90,2% được báo cáo của InAgent nên được xem trước hết là một cột mốc của kỹ thuật hệ thống agent. Prompt tốt và ngữ cảnh phong phú vẫn quan trọng, nhưng tự động hóa đáng tin cậy ngày càng đến từ phần cơ chế bao quanh mô hình: phân rã tác vụ, chọn công cụ, lưu trạng thái, xác minh đầu ra, giới hạn thẩm quyền và có phương án phục hồi.
Với doanh nghiệp, câu hỏi hữu ích không chỉ là mô hình nào đứng đầu benchmark. Câu hỏi quan trọng hơn là agent có thể thực hiện một quy trình cụ thể với độ đúng đo lường được, tác động phụ được kiểm soát và cơ chế bàn giao an toàn khi không thể tiếp tục hay không. Điểm OSWorld cao có thể giúp tham khảo cho câu hỏi đó — nhưng một mình nó không thể chứng minh điều này.
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Người ta cũng hỏi
Câu trả lời ngắn gọn cho "InAgent đạt 90,2% trên OSWorld: Khi AI agent cần một “harness” tốt, không chỉ mô hình mạnh" là gì?
Intelligence Indeed cho biết InAgent/Z Agent đạt tỷ lệ hoàn thành 90,2% trên cấu hình OSWorld gồm 361 tác vụ — mức trên 90% đầu tiên được công bố.
Những điểm chính cần xác nhận đầu tiên là gì?
Intelligence Indeed cho biết InAgent/Z Agent đạt tỷ lệ hoàn thành 90,2% trên cấu hình OSWorld gồm 361 tác vụ — mức trên 90% đầu tiên được công bố. OSWorld đánh giá agent trong môi trường máy tính thật, kiểm tra trạng thái kết quả sau khi thực thi thay vì chỉ chấm câu trả lời bằng văn bản.
Tôi nên làm gì tiếp theo trong thực tế?
Ngay cả tỷ lệ 90,2% vẫn tương ứng 9,8% tác vụ không hoàn tất; các quy trình quan trọng cần kiểm chứng xác định được, phân quyền, hàng đợi ngoại lệ và điểm phê duyệt của con người.
Nguồn
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 ...