2026年7月27日，全球AI智能体基准OSWorld更新榜单，实在智能自研的实在Agent以90.2%的成功率登顶总榜与Agentic Framework分榜双榜首。这是OSWorld自2024年发布以来，首个突破90%的Computer-Use 智能体。

01 OSWorld为什么是硬通货

OSWorld由港大、CMU、滑铁卢大学于2024年在人工智能顶会NeurIPS发表，是目前计算机使用智能体领域认可度最高的基准之一。它的设计逻辑很明确：不考“做题”，考“干活”。

与仅支持网页或API调用的传统基准不同，OSWorld在真实Ubuntu虚拟机中部署Chromium、LibreOffice、GIMP、VS Code等应用程序，设置361个实战任务，覆盖办公、编程、UI设计、系统运维全场景。每个任务配有可执行的验证脚本，由机器自动判定成功与否，排除人工评分的主观偏差。

头部厂商发布旗舰模型时均以OSWorld成绩为核心背书：OpenAI发布GPT-5.4时强调“首次超越人类”，Google发布Gemini 3.6 Flash时标注“83%全场最高分”，Anthropic发布Claude Sonnet 5时突出“81.2%”。

回看这条成绩曲线：2024年最强模型仅12.2%；2025年先后推至22.0%、72.6%，首次超越人类操作基线（72.36%）；2026年5月达83.6%；两个月后改写为90.2%。从12%到83%，完成了基础能力的跨越；从83%到90%，则是对工程可靠性的极致打磨——两个阶段面临的技术挑战截然不同。

02 拆解90.2%：三个最难场景说了算

361个任务总分325.59，折合成功率90.2%。拆开看，日常办公场景（Calc 46/47、Writer 22/23、VS Code 22/23、Impress 42.96/47等）构成了稳定的技术基本盘，但真正拉开分差的，是三个公认最难场景：

跨应用协同（78.81/93）。 93个任务模拟真实办公中最繁琐的跨系统流程：Chrome下载文件→LibreOffice编辑数据→截图存档→Thunderbird发送邮件。这类任务要求智能体在四五个软件间连续穿梭，任何一个步骤的状态丢失都可能导致全链路崩溃。

GIMP图像处理（24/26，成功率92.3%）。 GIMP界面以浮动面板、非标准工具栏和像素级微操著称，是视觉模型公认的高难度场景。传统方案在这类非标准界面上频繁出现定位失准和操作偏差。26题拿下24题，显示其对非标准UI元素的识别与操作能力已达到较高水平。

系统底层操作（24/24，100%满分）。 进程管理、权限修改、命令行操作——错一步即全盘皆输的零容错场景，零失误。满分意味着底层执行闭环的稳定性已达到可验证的确定性级别。

三项能力叠加，实在Agent展示出的不是单点突围，而是全场景的工程可靠性。

03 登顶密码：Agentic Framework路线凭什么赢

90.2%是怎么来的？技术路径选择是关键。

OSWorld分三条赛道：专用模型、通用模型、智能体框架。实在Agent提交的是Agentic Framework方案——不训练专用模型，而是用工程架构组织通用模型协作。一个值得注意的产业信号：榜单TOP10中6个选了框架路线，且整体成绩高于纯模型方案。

这验证了一条正在被行业反复确认的共识：Agent = Model + Harness。模型是大脑，决定推理上限；Harness是包裹模型的完整工程体系——任务拆解、工具调度、状态管理、失败恢复、安全校验——决定能不能落地。

实证层面，Stanford、清华等机构研究表明，同模型下仅优化Harness设计，复杂任务性能差距可达6-17个百分点。Pi Research的受控实验更直观：只改变传给模型的工具格式，代码任务成功率从6.7%飙至68.3%，增长近10倍。Anthropic在工程博客中明确指出：“当我们评估一个智能体时，我们评估的是harness和model一起工作。”

从OSWorld的实战表现来看，实在Agent在打榜方案中形成了三个关键工程优势：

• 长链路状态管理。 跨应用协同93个任务拿下78.81分，在多步骤流程中维持任务一致性，避免中途丢失上下文。
• 非标准界面视觉理解。 GIMP图像处理26题拿下24题（92.3%），在浮动面板密集的复杂视觉环境中保持操作精度。
• 底层操作闭环校验。 系统操作24题满分，进程管理、权限修改、命令行操作实现零失误的确定性执行。

这三者叠加，构成了实在Agent在榜单上领先的工程基础。

04 从打榜到落地：工程能力如何撑住产品

打榜验证的是技术路线和工程架构的上限，产品考验的则是整套体系的产业化能力。

实在智能自2018年起步于企业自动化赛道，八年间服务了超过6000家企业客户，其中90%为世界500强、央国企和上市龙头。正是因为在企业级自动化领域的长年深耕，实在智能对真实桌面环境的交互逻辑、异常边界、合规要求有系统性的工程积累——这些积累构成了Harness体系迭代的原材料，也是首次打榜就能冲上SOTA的深层原因。

在产品层面，这套工程能力的落地体现为：

“API优先、GUI兜底”的混合执行。 不依赖单一交互路径。API能通时走API，保持高效；API不通时退回像素级GUI操作，像人一样看屏幕、点鼠标。这降低了传统自动化“接口一变就瘫痪”的脆弱性，也是实在Agent能处理跨应用、跨系统长链路任务的基础。

全链路操作留痕与安全治理。 操作动作、决策逻辑、异常处理三个维度自动记录，每一步有时间戳和截屏，支持全栈私有化部署。对于金融、能源、政务等强合规行业，这是从“技术可用”到“合规可用”的必要条件。

多模型可插拔路由。 实在Agent内置DeepSeek、豆包、千问、Kimi等主流大模型，支持端侧轻量模型与云端VLM混合调度。模型可替换，工程底座不变，企业无需因模型升级而推倒重来。

从90%到工业级99.99%，中间的差距不是简单的9.99个百分点，而是从“能干活”到“能放心让它干活”的信任鸿沟。实在Agent已在自主执行基础上构建了人机协同与安全断路器机制——高风险、敏感数据操作自动提权确认，提供操作撤销与回滚能力。这本质上是将人的判断力作为系统安全的最后一道防线，在效率与风险之间找到平衡点。

实在Agent此次登顶最值得关注的地方在于：它证明的不是“中国又出了一个高分模型”，而是“一套扎根真实场景的工程体系，可以在不依赖专用模型的前提下，把Computer-Use 智能体推到世界第一”。当行业还在讨论下一个模型参数该堆到多大时，这条路线已经给出了另一个答案——把模型当成可替换的零件，把工程做成可复用的底座。90.2%不是终点，但它的确让“智能体进产线”这件事，看起来不再遥远。