InAgent破90%：系统工程驱动Agent新高

InAgent 在 OSWorld 上取得了 90.2% 的成绩，首次突破 90%，其中系统级任务成功率达到 100%，超过了 OpenAI、Google 和 Anthropic 的纪录。推动这一成绩的并非模型的原始能力，而是 Harness 工程。

2026 年 7 月，InAgent 在 OSWorld 上取得 90.2% 的成绩，成为首个突破 90% 的计算机操作 Agent。这款中国 Agent 在同一基准测试上的表现超过了 OpenAI、Google 和 Anthropic 已公开的纪录。

• OSWorld 任务成功率达到 90.2%，首次突破 90%
• 系统级任务成功率达到 100%
• 超过 OpenAI、Google 和 Anthropic 的纪录
• 仅进行了一次运行；未披露不同随机种子的结果波动
• Harness 工程是取得这一成绩的关键

据 Pandaily 报道，2026 年 7 月，InAgent 在 OSWorld 上取得了 90.2% 的任务成功率，成为首个突破 90% 的计算机操作 Agent。该 Agent 在系统级任务中实现了 100% 的成功率，而这一类别历来会显著拉低前沿模型的整体表现。OSWorld 通过屏幕截图以及键盘、鼠标操作，衡量 Agent 完成文件操作、网页浏览、应用程序控制等真实计算机任务的能力。

InAgent 在 OSWorld 上取得了 90.2% 的成绩，首次突破 90%，系统级任务成功率达到 100%，超过了 OpenAI、Google 和 Anthropic 的纪录。

推动这一成绩的并非模型的原始能力，而是 Harness 工程。

Harness 为何如此重要

这个亮眼的数字掩盖了背后更具结构性意义的变化：前沿模型之间的差距已经缩小到一定程度，如今决定基准测试排名的，是围绕模型搭建的 Scaffold。Harness 工程——也就是负责规划、验证以及从错误中恢复的代码——已经成为 AI 竞争的新前沿。InAgent 的 90.2% 并不主要是模型本身的胜利，而是系统工程的胜利。

这与 Supabase 的 evals 基准测试在 2026 年 8 月展示的结果如出一辙：真实场景中的 Agent 表现，与工具和编排能力的相关性，要高于模型的原始能力。Claude Code 在该测试中的出色表现，来自它的 Scaffolding，而不只是 Claude 的模型权重。InAgent 在一个难度更高、标准化程度也更高的基准测试上，再次印证了这一规律。

纪录背后的数字

90.2% 这个数字来自单次运行。消息来源并未披露不同随机种子下的结果波动情况。对于随机采样可能导致成绩上下浮动数个百分点的基准测试而言，这是一个不容忽视的信息缺失。OSWorld 的系统级任务要求 Agent 完成安装软件、配置设置等多步骤操作，也是大多数 Agent 最容易失败的部分；相比之下，InAgent 在该类别中取得 100% 的成功率，才是更令人印象深刻的数字。

此前 OSWorld 上公开的最高纪录均低于 90%。OpenAI、Google 和 Anthropic 都发布过计算机操作 Agent，但没有一家突破这一门槛。就这项特定指标而言，InAgent 的成绩让这家中国实验室处于领先位置。不过，该基准测试的覆盖范围较窄：OSWorld 衡量的是桌面端任务，并未涵盖这些公司所竞争的全部企业工作流场景。

接下来可以关注 InAgent 是否会公布不同随机种子下的结果波动数据，或发布后续论文，详细介绍其 Harness 架构。同时，也值得观察 OpenAI、Google 或 Anthropic 是否会在未来两个季度内交出超过 90% 的 OSWorld 成绩——如果它们作出回应，将进一步证明 Harness 工程已经成为新一轮军备竞赛的焦点。

最初发布于 gentic.news。

如需采取进一步措施，你可以考虑屏蔽此人和/或举报滥用行为。