InAgent 的 90.2% 成績，揭示 AI 代理真正的競爭力

Intelligence Indeed 在 2026 年 8 月表示，其電腦操作產品在公告中稱為 Z-Agent、其他報導則稱為 InAgent，在 OSWorld 取得 90.2% 任務成功率，成為首個報稱跨過 90% 門檻的參與者。該公司也表示，系統同時在代理框架子排行榜名列第一。1822

這個消息真正值得注意的，未必是某一個模型已經「學會」所有桌面操作，而是 AI 代理的表現愈來愈取決於模型外圍的執行框架（harness）：它負責把模型規劃轉成受控動作、確認動作是否真的生效，並處理真實工作流程中層出不窮的失敗情境。

InAgent 據報取得了甚麼成績？

相關報導將以下 OSWorld 評測數字歸於 InAgent：

• 整體任務成功率 90.2%
• 跨應用程式任務 84.7%
• GIMP 任務 92.3%
• 系統層級任務 100% 22

這些是報稱結果，並非獨立稽核結論。現有資料並未提供公開技術報告，用以拆解基礎模型、操作工具、提示詞、評測設定，以及各項框架元件分別對成績的貢獻。因此必須釐清：代理基準分數衡量的是一套模型加系統的組合配置，而不是孤立的模型「智力」。

也不應把某一時點的第一名視為永久排名。2026 年 9 月的一份第三方排行榜快照顯示，Qwen3.8 Max 在 OSWorld-Verified 的分數為 86.1%，反映排行榜名次與評測配置都可能隨時間改變。3

OSWorld 為何不是一般的點擊測試？

OSWorld 的設計目標，是讓代理在真實電腦環境中操作，而非只回答螢幕截圖問題或處理模擬網頁。原始基準含有 369 個真實世界任務，涵蓋 Chromium、LibreOffice、GIMP、Thunderbird、VLC、Visual Studio Code 等應用程式，以及作業系統與跨應用程式工作；任務會從預先設定好的環境狀態開始，並以實際執行結果檢查是否完成。214

常用的 361 項任務配置，則排除了 8 個可能需要人工設定的 Google Drive 任務。14

這意味著，代理不能只「猜對下一個按鈕」。它必須在多個步驟間維持進度、操控檔案和應用程式狀態，並最終讓電腦處於預期的完成狀態。

從歷史脈絡看，90.2% 的主張確實醒目。OSWorld 最初公布的參考結果中，人類完成率超過 72.36%，當時最佳模型僅為 12.24%。14 不過，這並不等於可用來衡量任何職場工作的通用能力：基準表現會受到任務挑選、環境設定、動作步數上限、工具，以及代理執行框架影響。

從提示詞走向執行框架工程

提示詞工程處理的是「告訴模型做甚麼」；情境工程處理的是「提供模型哪些資訊」；而執行框架工程處理的則是整套執行環境：代理如何觀察、採取動作、保存狀態、驗證完成，以及在失敗後如何復原。

一篇代理系統設計綜述指出，執行框架是影響代理感知、行動，以及偵測與復原錯誤能力的基礎設施；其組成包括觀察設計、動作空間、執行沙盒、情境管理與驗證迴圈等。28

對電腦操作代理而言，一個成熟的框架通常至少要處理六件事：

1. 把流程拆成可驗證的子目標。 例如，不只是要求代理「完成訂單更新」，而是分為找到紀錄、檢查欄位、執行更新、附上佐證、確認變更已保存。
2. 把動作導向合適介面。 若可用且獲准，API、指令或結構化工具通常比滑鼠點擊可靠；沒有機器可讀介面時，才以 GUI 操作補足。
3. 維持可延續的狀態。 代理須記錄已完成工作、目前應用程式狀態、已選實體、檔案，以及某個動作能否安全重試。
4. 從權威系統驗證結果。 模型聲稱「已完成」不是證明；框架應檢查 API 回應、資料庫值、已儲存檔案或應用程式狀態。
5. 安全地從錯誤復原。 必須對失效頁面、點擊失敗、彈出視窗、逾時、部分提交與驗證中斷設有處理策略。
6. 落實權限與可觀測性。 操作紀錄、行動軌跡、核准關卡與受限憑證，能讓高後果操作更易於追查與控制。

有實證顯示，這一層的工程可明顯影響代理表現。一項研究指出，經過 10 次代理執行框架工程迭代後，Terminal-Bench 2 的 pass@1 從 69.7% 升至 77.0%，並超過研究中引用的 71.9% 人工設計框架基準。這是不同的評測，不能用來驗證 InAgent 的 OSWorld 分數；但它支持一項更廣泛的判斷：即使不單純更換新模型，執行時系統設計也能帶來顯著提升。29

API 與 GUI 混合策略，為何對企業有吸引力？

InAgent 據報的策略重點，在於混合式執行：有可靠程式介面時使用 API；遇上缺乏合適 API 的軟體時，仍保留類似人類的 GUI 操作能力。22

這正對應企業常見難題：一個流程可能橫跨已有 API 的現代服務，以及老舊桌面軟體、供應商入口網站或內部系統；對後者來說，員工看得到的畫面往往就是唯一可行的操作途徑。

理想情況下，代理可在每一步選擇最可靠的路徑：

• 以 API 或指令進行結構化查詢與更新；
• 以 GUI 處理傳統或封閉系統的操作；
• 盡可能透過確定性的權威系統確認最終結果。

OSWorld-MCP 的研究同樣發現，在部分情境中，工具呼叫能提高電腦操作任務的成功率。其實驗中，加入 MCP 工具後，OpenAI o3 在 15 步條件下由 8.3% 升至 17.6%；Claude 4 Sonnet 在 50 步條件下則由 38.9% 升至 45.0%。24

不過，GUI 自動化依然容易受介面更新、延遲、彈出視窗、目標不明確、存取控制、多因素驗證（MFA）與不可逆動作影響。混合式執行能降低部分風險，但不能使風險消失。

90.2% 對實際部署代表甚麼？

90.2% 完成率也代表有 9.8% 的基準任務未成功完成。若有 10,000 件條件相若的任務，約會出現 980 件例外；這還未計入表面上看似成功、但商業結果其實錯誤的情況。

這不代表該分數沒有意義。它意味著電腦操作代理可能已接近能用於範圍明確、重複性高且控制嚴謹的流程。但這不等於可放任其無人監督地處理付款、法律申報、安全關鍵作業，或直接影響客戶的變更。

企業評估上線時，不能只看單一通過率，還應檢視：

• 自身工作流程的完成率與正確性；
• 失敗模式與可復原程度；
• 成本、延遲與動作量；
• 權限邊界與人工核准節點；
• 每項已完成操作確實改變目標系統狀態的證據；
• 例外案件佇列的規模與處理機制。

更新、難度更高的 OSWorld 2.0 也提醒外界應保持審慎。該基準包含 108 個長時程工作流程；其主要 500 步指標下，最高的二元完成率僅為 20.6%。這顯示當任務變得更長、更接近真實情況時，代理距離廣泛達到專業級電腦操作能力仍有很大差距。17

真正的里程碑，是把執行做成工程

InAgent 報稱的 90.2%，較適合被理解為代理系統工程的一個里程碑。更好的提示詞和更豐富的情境仍然重要，但可靠自動化日益取決於模型周圍的機制：任務拆解、工具選擇、持久狀態、可驗證的完成條件、受限授權，以及復原路徑。

對企業來說，最有用的問題不只是「哪個模型的基準分數最高」，而是某個代理能否以可衡量的正確性執行特定流程、控制其副作用，並在無法繼續時安全交接給人員。高 OSWorld 分數可以為這項判斷提供參考，但單靠分數本身，無法證明它已經做到。