全球AI智能体领域迎来重大突破——中国团队研发的“实在Agent”以90.2%的任务成功率登顶OSWorld权威榜单，成为首个突破90%大关的智能体，同时包揽总榜与Agentic framework分榜双料冠军。这一成绩刷新了meta、Anthropic、OpenAI等海外科技巨头保持的公开纪录，标志着中国在计算机使用型智能体领域实现全球领跑。
OSWorld被誉为AI智能体的“计算机驾驶执照考试”，由香港大学、卡内基梅隆大学等机构于2024年提出。该基准测试要求智能体在真实操作系统环境中，通过鼠标、键盘等交互方式完成跨应用复杂任务，涵盖办公、编程、UI设计等361个实战场景。与传统网页或API调用测试不同，OSWorld提供完整桌面沙盒环境，任务完成度由机器自动判定，避免人工评价偏差，成为全球公认的权威标准。各大科技巨头发布旗舰模型时均以OSWorld成绩为重要参考，此前最高纪录为2026年5月Pointer智能体创造的83.6%。
实在Agent的登顶之路堪称“技术跃迁”。2024年基准发布时，GPT-4o等顶级模型成功率仅12.2%；2025年UI-Evol增强智能体提升至22.0%；同年12月Simular Agent S2以72.6%首次超越人类基线；2026年Pointer将纪录推至83.6%。而实在Agent在短短两个月后便以90.2%的成绩实现质的飞跃，将计算机使用型智能体带入“超高可靠性”新阶段。
深入分析实在Agent的325.59分（总成功率90.2%）构成，其技术优势呈现“全面领先+核心突破”特征：在常用办公场景中，LibreOffice表格处理获46.0/47分，VS Code编程达22.0/23分；核心难点场景表现更为突出——跨应用协同任务（如“Chrome下载→LibreOffice编辑→截图存档→邮件发送”四步长链路）以78.81分领先第二名近10个百分点；图像处理软件GIMP的26个像素级微操任务中拿下24个（成功率92.3%）；系统底层操作（文件权限修改、进程管理等）更以24.0/24的满分展现绝对稳定性。这些数据印证了实在Agent在长链路规划、非标准界面理解、执行闭环可靠性三大维度的综合优势。
登顶背后是八年技术沉淀与工程化突破。智能体领域存在“Agent=Model+Harness”的共识——模型提供基础智力，而Harness工程体系（类似汽车的方向盘与安全系统）决定智力能否转化为可靠行动。斯坦福大学等机构研究表明，在相同模型基础上，Harness优化可使OSWorld性能提升6-10个百分点，某些复杂任务中甚至能将得分从30.4%跃升至47.2%。实在智能自2018年成立便聚焦“多模态Harness”能力，通过API与GUI混合交互方式，像人类一样处理屏幕信息与鼠标操作，这种技术路线为其积累了独特优势。
企业级场景的深度耕耘更是关键。作为服务超6000家客户的自动化领域领军企业，实在智能积累了海量真实桌面操作数据、异常处理机制和行业流程模板。这些数据反哺Harness工程迭代，形成“行业Know-how+真实数据+工程体系”的闭环。例如，在金融、制造等领域的部署中，实在Agent已能自主处理90%的常规操作，并在涉及高风险操作时触发人机协同确认机制，确保绝对安全。
从基准测试到产业落地仍需跨越三重门槛：将可靠性从90.2%提升至工业级99.99%，以避免财务、供应链等场景中的业务风险；增强抗干扰能力，应对软件更新、弹窗干扰等真实环境挑战；优化商业ROI，通过端侧轻量模型与云端混合调度降低运行成本，同时构建符合企业安全标准的沙盒环境与审计日志。实在智能正通过“操作撤销与回滚”“动态环境自适应”等技术攻关，推动智能体从“能干活”向“可靠干活”进化。
OSWorld的登顶不仅是中国团队的胜利，更预示AI技术形态的深刻变革——当智能体摆脱“对话框”限制，真正接管屏幕与软件系统，数字劳动力的时代正在到来。实在智能八年坚守的自动化技术底座，正在为这场变革提供核心支撑。
