2026年7月27日OSWorld榜首易主歸中國(guó)團(tuán)隊(duì)。中國(guó)芯智能體“實(shí)在Agent”以90.2%的成功率登頂。歷史最高分首個(gè)突破90%大關(guān)的智能體。實(shí)在Agent同時(shí)拿下總榜第一與Agentic Framework分榜第一實(shí)現(xiàn)雙冠。刷新了海外巨頭Meta、Anthropic、OpenAI等保持的公開最高紀(jì)錄。標(biāo)題01 OSWorldAI的“計(jì)算機(jī)駕駛執(zhí)照考試”O(jiān)SWorld是目前全球公認(rèn)的“Computer-Use Agent”權(quán)威基準(zhǔn)由香港大學(xué)、卡內(nèi)基梅隆大學(xué)、滑鐵盧大學(xué)等機(jī)構(gòu)于2024年發(fā)表于人工智能頂級(jí)會(huì)議NeurIPS。核心定位是讓AI智能體在真實(shí)的操作系統(tǒng)中像人類一樣通過(guò)鼠標(biāo)、鍵盤、屏幕截圖等接口完成跨應(yīng)用的復(fù)雜任務(wù)。與僅限網(wǎng)頁(yè)或API調(diào)用的傳統(tǒng)基準(zhǔn)如WebArena、MiniWoB等不同OSWorld提供的是完整的真實(shí)桌面沙盒環(huán)境。OSWorld基準(zhǔn)測(cè)試包含361個(gè)由專家精心設(shè)計(jì)的實(shí)戰(zhàn)任務(wù)涵蓋辦公、編程、UI設(shè)計(jì)及系統(tǒng)管理等高頻場(chǎng)景。智能體是否完成任務(wù)均由機(jī)器判定沒(méi)有任何人工評(píng)價(jià)的主觀偏差這也是OSWorld成為權(quán)威評(píng)測(cè)基準(zhǔn)的主要原因之一。各大廠在發(fā)布旗艦?zāi)Ｐ蜁r(shí)幾乎都會(huì)引用OSWorld成績(jī)。例如OpenAI發(fā)布GPT-5.4時(shí)強(qiáng)調(diào)“首次超越人類”Google發(fā)布Gemini 3.6 Flash時(shí)強(qiáng)調(diào)“83%全場(chǎng)最高分”Anthropic發(fā)布Claude Sonnet 5時(shí)強(qiáng)調(diào)“81.2%”。回顧OSWorld過(guò)往最好成績(jī)這條曲線見(jiàn)證了整個(gè)行業(yè)的發(fā)展● 2024年OSWorld剛發(fā)布GPT-4o、Claude-3.5-Sonnet等當(dāng)時(shí)最強(qiáng)智能體的成功率僅12.2%● 2025年5月UI-Evol增強(qiáng)智能體達(dá)到22.0%● 2025年12月Simular Agent S2達(dá)到72.6%首次超過(guò)72.36%的人類基線● 2026年5月Pointer達(dá)到83.6%再創(chuàng)新高● 2026年7月實(shí)在Agent達(dá)到90.2%登頂OSWorld雙榜。兩年時(shí)間從12%到83%這條曲線已經(jīng)非常陡峭。而實(shí)在Agent的90.2%——在頂端再躍一步標(biāo)志著Computer-Use Agent正式邁入“超高可靠性”的新階段。標(biāo)題02 三個(gè)數(shù)字看懂實(shí)在Agent的統(tǒng)治力在OSWorld全部361個(gè)硬核實(shí)戰(zhàn)課題中實(shí)在Agent最終拿下了325.59分總成功率 90.2%。拆解細(xì)分領(lǐng)域得分實(shí)在Agent呈現(xiàn)出一種“多點(diǎn)領(lǐng)先、核心場(chǎng)景大幅領(lǐng)先”的格局常用辦公與編程場(chǎng)景● 表格與文檔Calc/WriterLibreOffice Calc拿下46.0/47Writer拿下22.0/23● 編程與多媒體VS Code/VLCVS Code拿下22.0/23VLC播放器拿下16.89/17● 演示與郵件Impress/ThunderbirdImpress演示文稿拿下42.96/47Thunderbird郵件處理拿下13.0/15。在這些日常高頻場(chǎng)景中實(shí)在Agent保持著高完成度與穩(wěn)定領(lǐng)先奠定了扎實(shí)的技術(shù)基本盤。核心難點(diǎn)場(chǎng)景在這之外真正讓我們?cè)诎駟紊侠_差距的是OSWorld中公認(rèn)最難、最考驗(yàn)智能體硬實(shí)力的三個(gè)“地獄級(jí)”場(chǎng)景● 跨應(yīng)用協(xié)同multi_apps78.81/93這是任務(wù)量最大、最易出錯(cuò)的場(chǎng)景93個(gè)任務(wù)。實(shí)在Agent獲得78.81分領(lǐng)先第二名近10個(gè)百分點(diǎn)。它模擬的是真實(shí)辦公中最繁瑣的跨系統(tǒng)流程Chrome下載文件 → LibreOffice編輯數(shù)據(jù) → 截圖存檔 → Thunderbird發(fā)送郵件。這種需要連續(xù)穿梭四五個(gè)軟件的長(zhǎng)鏈路任務(wù)展現(xiàn)了實(shí)在Agent卓越的長(zhǎng)鏈路規(guī)劃能力。● 圖像處理gimp24.0/26GIMP界面充滿了浮動(dòng)面板、非標(biāo)準(zhǔn)工具欄和像素級(jí)微操堪稱視覺(jué)AI的噩夢(mèng)。在26個(gè)任務(wù)中實(shí)在Agent拿下24個(gè)成功率92.3%證明了我們?cè)诜菢?biāo)準(zhǔn)界面視覺(jué)理解上的深厚積累?！?系統(tǒng)底層操作os24.0/24 100%滿分在文件權(quán)限修改、進(jìn)程管理、命令行操作等“錯(cuò)一步即全盤皆輸”的任務(wù)中我們實(shí)現(xiàn)了零失誤反映了底層執(zhí)行閉環(huán)極高的穩(wěn)定性?？鐟?yīng)用領(lǐng)先長(zhǎng)鏈路規(guī)劃力。GIMP領(lǐng)先非標(biāo)準(zhǔn)界面理解力。系統(tǒng)滿分執(zhí)行閉環(huán)可靠性。三項(xiàng)能力疊加構(gòu)成了實(shí)在Agent在OSWorld上的整體優(yōu)勢(shì)。標(biāo)題03 登頂?shù)谋澈笫恰鞍四昴ヒ粍Α敝悄荏w領(lǐng)域有一個(gè)行業(yè)共識(shí)Agent Model Harness。模型Model是發(fā)動(dòng)機(jī)提供通用智力和原始動(dòng)力Harness工程套件/整車架構(gòu)則是方向盤、變速箱、剎車與安全系統(tǒng)是把智力轉(zhuǎn)化為“可靠行駛”的完整工程體系。為什么Harness如此關(guān)鍵在Stanford、清華等機(jī)構(gòu)的論文中有一個(gè)研究證明在同一個(gè)底層模型的前提下僅改進(jìn)Harness工程設(shè)計(jì)在OSWorld等基準(zhǔn)上的性能差距可達(dá)6-10個(gè)百分點(diǎn)而在某些復(fù)雜任務(wù)上將原生代碼Harness優(yōu)化為自然語(yǔ)言與范式結(jié)合的Harness同一模型的得分甚至能從30.4%躍升至47.2%差距接近17個(gè)百分點(diǎn)這說(shuō)明當(dāng)模型能力逐漸同質(zhì)化Harness工程化才是決定智能體“能不能真干活”的核心變量。但Harness的可靠性從來(lái)不是某一次技術(shù)突破的偶然而是長(zhǎng)期的企業(yè)場(chǎng)景沉淀、操作數(shù)據(jù)積累和工程化迭代的必然。實(shí)在智能做智能體有一個(gè)“第一性原理”——你不能干的我能不能干誰(shuí)的能力邊界更廣誰(shuí)的成本更低、效率更高面對(duì)真實(shí)的操作環(huán)境API能跑通就跑APIAPI跑不通就用GUI——像人一樣看屏幕、點(diǎn)鼠標(biāo)把數(shù)據(jù)拿回來(lái)把事辦成。這套“多模態(tài)”的Harness能力是實(shí)在智能從2018年成立第一天起就在打磨的基本功。此外作為自動(dòng)化領(lǐng)域的行業(yè)領(lǐng)頭羊?qū)嵲谥悄芤逊?wù)了超6000家企業(yè)客戶90%為世界500強(qiáng)、央國(guó)企、上市企業(yè)和地方龍頭。這意味著實(shí)在智能已在客戶側(cè)積累了海量真實(shí)桌面環(huán)境的操作數(shù)據(jù)、異常處理機(jī)制和行業(yè)流程模板。這些場(chǎng)景和數(shù)據(jù)正是Harness工程迭代最寶貴的原材料。因此實(shí)在Agent能拿下90.2%不是單一模型參數(shù)的勝利而是八年深耕自動(dòng)化領(lǐng)域的行業(yè)Know-how、海量真實(shí)業(yè)務(wù)數(shù)據(jù)以及Harness工程體系三者疊加的必然結(jié)果。標(biāo)題04 從基準(zhǔn)高分走向生產(chǎn)力真正落地OSWorld榜單的登頂是技術(shù)演進(jìn)的重要里程碑但它絕不是終點(diǎn)。如果說(shuō)OSWorld是智能體考取“計(jì)算機(jī)駕照”的考場(chǎng)那么真正的考驗(yàn)在于能否駛?cè)霃?fù)雜、多變的企業(yè)真實(shí)生產(chǎn)環(huán)境。從“榜單高分”到“產(chǎn)業(yè)落地”實(shí)在Agent的突破正指向智能體演進(jìn)的下半場(chǎng)從90.2%到工業(yè)級(jí)99.99%的可靠性跨越在真實(shí)企業(yè)的財(cái)務(wù)、HR或供應(yīng)鏈場(chǎng)景中哪怕9.8%的失敗率也可能引發(fā)重大業(yè)務(wù)風(fēng)險(xiǎn)如發(fā)錯(cuò)郵件、錯(cuò)填付款金額。實(shí)在Agent在自主執(zhí)行的基礎(chǔ)上構(gòu)建人機(jī)協(xié)同與安全斷路器機(jī)制——在涉及高風(fēng)險(xiǎn)、敏感數(shù)據(jù)的操作時(shí)自動(dòng)提權(quán)確認(rèn)提供“操作撤銷與回滾”能力不斷將工業(yè)級(jí)可靠性推向99.99%?？绮僮飨到y(tǒng)與復(fù)雜動(dòng)態(tài)環(huán)境的抗干擾能力OSWorld建立了優(yōu)秀的Ubuntu虛擬機(jī)基準(zhǔn)而工業(yè)界真實(shí)的辦公環(huán)境充滿了軟件版本更新、隨機(jī)廣告彈窗、系統(tǒng)通知抖動(dòng)、網(wǎng)絡(luò)延遲卡頓等非標(biāo)準(zhǔn)干擾因素。智能體的落地價(jià)值在于即使界面樣式微調(diào)、彈窗突然打斷也能像人類員工一樣靈活應(yīng)對(duì)、自主糾錯(cuò)?？伤阗~的商業(yè)ROI與全鏈路安全合規(guī)通過(guò)端側(cè)輕量模型與云端VLM的混合調(diào)度實(shí)在Agent在降低Token推理成本與響應(yīng)延遲上持續(xù)優(yōu)化讓智能體的運(yùn)行成本遠(yuǎn)低于人力成本。同時(shí)打造符合企業(yè)級(jí)安全標(biāo)準(zhǔn)的沙盒隔離環(huán)境與全鏈路可審計(jì)日志確保智能體每一次點(diǎn)擊、輸入都可追溯、可歸因、可合規(guī)。OSWorld的90.2%不僅代表著中國(guó)團(tuán)隊(duì)在智能體工程賽道上的斷層領(lǐng)先更宣告了AI正在擺脫“只會(huì)聊天”的對(duì)話框形態(tài)真正接管屏幕成為能夠驅(qū)動(dòng)復(fù)雜軟件系統(tǒng)、創(chuàng)造實(shí)際經(jīng)濟(jì)價(jià)值的數(shù)字勞動(dòng)力。讓AI真正“會(huì)干活”從基準(zhǔn)高分走向生產(chǎn)力落地——這是登頂OSWorld的核心也是實(shí)在智能八年未變堅(jiān)守的底座。高原之上再建高峰。