InAgent 90.2% OSWorld 成绩的真正意义：AI 智能体开始比拼运行框架

Intelligence Indeed 于 2026 年 8 月披露，其电脑操作智能体在公告中名为 Z-Agent、在其他报道中被称为 InAgent，在 OSWorld 评测中取得 90.2% 任务成功率。公司称这也是首个公开报告突破 90% 的成绩，并位列智能体框架子榜单第一。1822

这项成绩值得关注，但它不应被解读为“某个模型已经解决了桌面自动化”。更重要的信号是：AI 智能体的表现越来越取决于模型外围的运行框架（harness）——即把模型的规划转化为可控操作、核验操作是否生效，并应对真实工作流中各种失败情形的软件系统。

InAgent 报告了哪些成绩

相关报道给出的 OSWorld 分项结果为：

• 总体任务成功率 90.2%；
• 跨应用任务 84.7%；
• GIMP 图像处理任务 92.3%；
• 系统级任务 100%。22

这些属于公开报道的结果，并非独立审计结论。目前提供的材料中，没有公开技术报告能够逐项拆分：基础模型、行动工具、提示词、评测设置以及运行框架的哪些部分分别带来了这些分数。因此，OSWorld 分数衡量的是一套模型加系统的组合配置，而不是单独衡量模型“智力”。

还应把“某一时点的领先”与长期榜单位置分开看。2026 年 9 月的一份第三方榜单快照显示，Qwen3.8 Max 在 OSWorld-Verified 上为 86.1%，这说明榜单排名及评测配置会随时间变化。3

OSWorld 为什么有参考价值

OSWorld 的目标不是让智能体看截图答题，也不是在模拟网页中预测点击位置。它要求智能体在真实计算机环境中操作。原始基准包含 369 个真实世界任务，覆盖 Chromium 浏览器、LibreOffice 办公套件、GIMP、Thunderbird 邮件客户端、VLC、Visual Studio Code，以及操作系统和跨应用工作流。任务从预先配置好的环境状态开始，并通过执行式检查来判断是否完成。214

常见的 361 任务配置，会排除 8 个可能需要人工设置的 Google Drive 任务。14

这意味着，智能体必须跨多步导航界面、保持任务进度、操作文件和应用状态，并最终让电脑处于预期状态；它并非只要“看起来点对了”就算成功。

从历史参照看，90.2% 的说法确实显得突出：OSWorld 最初公布的参考结果中，人类完成率超过 72.36%，最佳模型仅为 12.24%。14 不过，这不等于可以把分数直接当作通用职场能力的尺度。任务集合、环境初始状态、行动步数预算、工具权限以及智能体运行框架，都会影响最终成绩。

从提示词，走向运行框架工程

提示词工程解决“告诉模型做什么”；上下文工程解决“给模型看什么信息”。而运行框架工程解决的是运行时系统如何让智能体观察、行动、保存状态、验证完成、限制权限并从失败中恢复。

一项关于智能体系统设计的综述指出，执行框架是影响智能体感知、行动以及错误检测与恢复能力的基础设施；其组成可包括观测设计、行动空间、执行沙箱、上下文管理和验证循环。28

对于一个能够操作电脑的智能体，成熟的运行框架通常至少要做好六件事：

1. 将任务拆成可验证的子目标。 例如，不把任务笼统交代为“更新订单”，而是拆为查找记录、校验字段、执行更新、附上凭证、确认修改已保存。
2. 把操作路由到正确的界面或工具。 当 API、命令行或结构化工具可用且被允许时，通常比鼠标点击更可靠；GUI 操作则可覆盖没有机器可读接口的步骤。
3. 维护可持续的状态。 系统需要记录已完成步骤、当前应用状态、已选对象、相关文件，以及某项操作是否可以安全重试。
4. 从权威系统核验结果。 模型自称“已完成”不是证据。框架应尽可能检查 API 返回、数据库值、已保存文件或应用实际状态。
5. 安全地处理失败。 对页面过期、点击无效、弹窗、超时、部分提交和身份验证中断，都要有重试、回退或升级人工的策略。
6. 实施权限控制与可观测性。 操作日志、行动轨迹、审批关卡和受限凭证，能让高影响操作更可审计、更安全。

有实证研究表明，这一层确实能够显著改变表现。一项研究称，经过 10 轮智能体运行框架工程迭代，Terminal-Bench 2 的 pass@1 从 69.7% 升至 77.0%，高于文中引用的 71.9% 人工设计框架基线。这是另一项基准，不能用来验证 InAgent 的 OSWorld 分数；但它支持一个更广泛的判断：即使不单纯更换模型，运行时系统设计本身也可能带来明显收益。29

为什么“API 加 GUI”的混合方式有商业吸引力

报道中，InAgent 的策略亮点是混合执行：在有可靠编程接口的地方使用 API，同时保留类似人类的 GUI 操作能力，以处理没有合适 API 的应用。22

这对应了企业自动化的现实难题：一个流程往往同时经过现代 SaaS 服务、老旧桌面软件、供应商门户和内部系统。其中一些有成熟 API，另一些最可行的入口仍是员工日常使用的屏幕界面。

理论上，智能体可在每个步骤选择更可靠的路径：

• 用 API 或命令进行结构化查询、读取与更新；
• 在遗留或封闭系统中使用 GUI；
• 尽可能从确定性的权威系统中核验结果。

OSWorld-MCP 的研究也发现，在部分设置下调用工具可以提高电脑操作任务成功率：加入 MCP 工具后，OpenAI o3 在 15 步设置下从 8.3% 升至 17.6%；Claude 4 Sonnet 在 50 步设置下从 38.9% 升至 45.0%。24

但 GUI 自动化的脆弱性并没有消失：界面改版、网络延迟、弹窗、目标歧义、访问控制、多因素认证和不可逆操作，都可能造成失败或风险。混合执行能降低风险，却无法彻底消除风险。

90.2% 对部署意味着什么

若 90.2% 的完成率适用于某一类任务，那么仍有 9.8% 的任务没有成功完成。假设有 1 万个可比任务，这大约对应 980 个异常；这还未计入表面显示成功、但实际业务结果不正确的“静默错误”。

因此，这一分数并非没有意义。它表明，电脑操作智能体可能正接近适用于边界清晰、可重复且控制措施充分的工作流。但这绝不等于可以让它无人值守地处理付款、法律申报、安全关键操作或直接影响客户的变更。

企业评估生产部署时，不应只看醒目的通过率，还应检验：

• 自身工作流上的完成率与正确性；
• 失败模式及可恢复性；
• 成本、延迟和行动次数；
• 权限边界与人工审批节点；
• 每项完成操作确实改变了目标系统状态的证据；
• 异常队列的规模和处置流程。

更新、更难的 OSWorld 2.0 也提醒人们保持谨慎。该基准包含 108 个长程工作流；在主要的 500 步二元完成指标下，其报告的最高结果仅为 20.6%。这表明当任务更长、更贴近真实专业工作时，智能体距离广泛、专业级的电脑操作能力仍有很大距离。17

真正的里程碑：把执行做成工程

InAgent 报告的 90.2% 成绩，更适合被理解为智能体系统工程的一项里程碑。更好的提示词和更丰富的上下文依然重要，但可靠自动化越来越依赖模型之外的机制：任务分解、工具选择、持久状态、可验证的完成条件、受限授权与故障恢复路径。

对企业而言，真正值得问的并不是“哪个模型在榜单上第一”，而是：这个智能体能否以可衡量的正确性完成一条特定工作流，能否控制副作用，并在无法继续时安全地交给人工。这正是高 OSWorld 分数可以提供参考、却无法单独证明的能力标准。