1、90.2%背后，中国智能体进入全球第一梯队

7月27日，实在智能旗下实在Agent以90.2%的任务成功率登上OSWorld总榜及Agentic Framework分榜第一，成为该基准首个突破90%的智能体。

这张榜单上，不仅有Anthropic、OpenAI、Meta等大模型巨头，也有UiPath等国际自动化厂商。中国企业能够同台竞技并刷新公开纪录，意义不只是“拿了一个高分”，更在于证明：AI竞争并非只有模型参数一条路，工程体系与产业经验同样可以形成技术优势。

2、OSWorld难在哪里

2.1 不考“会不会说”，考“能不能做”

OSWorld由香港大学、卡内基梅隆大学、滑铁卢大学等机构参与开发，相关论文发表于NeurIPS 2024。OpenAI、Anthropic、Google等企业发布新模型时，也常用它衡量计算机操控能力。

它要求AI进入真实操作系统，通过鼠标、键盘和屏幕信息操作Chrome、VS Code、LibreOffice、GIMP等软件。任务完成与否由验证脚本判断，不依赖主观打分。

2.2 难点在连续执行

真正考验智能体的，不是完成一次点击，而是能否跨应用规划、识别异常并持续纠错。例如：

• 下载文件后整理数据；
• 在多个软件间传递信息；
• 完成图像编辑和系统设置；
• 在长链路中避免一步出错、全程失效。

因此，90.2%体现的是综合执行能力，而非单次模型回答质量。当然，基准高分也不等于企业场景中的绝对可靠，真实生产环境仍有弹窗、延迟、权限和合规等复杂问题。

3、登顶靠的不是“押中一个模型”

3.1 模型之外，还有Harness

智能体可以理解为“模型+工程框架”。模型提供通用智力，Harness则负责规划、工具调用、上下文管理、异常处理和安全控制。对企业而言，后者决定AI能否从“会回答”变成“会干活”。

3.2 八年积累转化为工程优势

实在智能自2018年起深耕自动化，已服务超过6000家企业。真实业务中的老旧系统、无API软件、复杂流程和异常场景，为智能体训练与迭代提供了产业基础。

这也是国产科技创新值得关注之处：不只追赶概念，更把长期积累变成产品能力。对老板而言，判断AI价值最终要回到两件事——能否稳定完成工作，能否带来可计算的降本增效。实在Agent此次登顶说明，下一阶段的竞争，将不只是大模型之争，更是AI员工推动组织升级的能力之争。