🏆 智能体 · 榜单速递
首个突破 90% 成功率的桌面操作智能体诞生，登顶 OSWorld 双榜
7 月 27 日，实在 Agent 以 90.2% 的总成功率、325.59 分总成绩包揽 OSWorld 总榜与 Agentic Framework 分榜双冠，成为业内首个将 Computer-Use Agent 成功率推过 90% 关口的产品，刷新全球公开评测最高纪录。
来源：公开报道•
2026-07-27•
全文约 3 分钟读完
#实在Agent
#OSWorld
#Computer-Use
#智能体评测
90.2%
总成功率，首个突破 90% 关口
325.59
总成绩，双榜排名第一
361
实战任务数，全场景考核
⚡ 30 秒速览
- 赢了多少：以 90.2% 成功率、325.59 分包揽 OSWorld 总榜与 Agentic Framework 分榜双冠，打破行业存在的技术瓶颈。
- 榜单硬在哪：基于 Ubuntu 真实操作系统，361 项全场景实战任务，全程机器无主观评分，考核长链路规划与多软件协同。
- 怎么做到的：不靠堆模型参数，靠 8 年打磨的 Harness 工程体系，相同底座可带来 6-10 个百分点提升。
- 下一步去哪：目标通过人机协同熔断机制，将可靠性从 90.2% 提升至工业级 99.99%。
01两年迭代曲线 从 12.2% 到突破 90%
复盘行业两年迭代曲线，全球计算机使用智能体完成了指数级进化。实在 Agent 此次 90.2% 的突破，打破了行业长期存在的技术瓶颈：
2024 年
12.2% 基础成功率，行业起步阶段
2025 年
72.6% 成功率，首次超越人类基线
2026 年 5 月
83.6% 行业高点，技术迭代速度持续攀升
2026 年 7 月
90.2% 实在 Agent 打破技术瓶颈，登顶双榜
02OSWorld：测的是最难作假的能力
对于开发者而言，OSWorld 是衡量智能体实景落地能力的黄金标尺。自 2024 年上线以来，GPT、Gemini、Claude 等旗舰模型均以该榜单数据为核心佐证。它与轻量化基准的区别非常直接：
传统轻量化基准
仅能模拟简单网页交互，脱离真实复杂环境。
OSWorld 实战基准
基于 Ubuntu 真实操作系统，考核环境感知、长链路规划、多软件协同、底层系统操作。
361全场景实战任务
0人工主观评分
Ubuntu真实操作系统底座
注：OSWorld 全程机器自动校验，精准考核智能体在真实系统中的底层执行稳定性。
03它到底会做什么？三大硬核能力拆解
🔄 跨应用协同：多软件连续流转93 项复杂任务
- 在最考验长链路逻辑的场景中，自主完成浏览器下载、文档编辑、截图存档、邮件发送的全流程操作。
- 多步之间存在依赖，任何一步出错后面都接不上，Agent 实现一次性跑完。
🎨 像素级图像处理：GIMP 非标面板识别成功率 92.3%
- 攻克非标准浮动面板、自定义工具栏的识别难题。
- 26 项任务完成 24 项，在像素级操作场景展现出高精度视觉感知能力。
⚙️ 系统底层运维：零容错场景满分24 项任务满分
- 在零容错的系统底层运维场景中，实现 24 项任务满分通关。
- 文件权限修改、进程管理、命令行操作全程零失误，展现底层执行稳定性。
04为什么是实在做出来了？
业内开发者共识显示，大模型底座能力已进入同质化阶段，Harness 工程体系成为智能体能力分层的核心关键。研究数据表明，相同模型底座下，优质的 Harness 架构优化可带来 6-10 个百分点的性能提升，复杂场景下优化迭代增益最高可达 17 个百分点。
实在 Agent 的领先，正是 8 年工程化深耕的结果，而非单次模型调优的偶然突破。自 2018 年成立以来，实在智能持续打磨适配真实桌面环境的多模态 Harness 体系：
API 可行则调用 API→无 API 则 GUI 可视化操作→千万级异常场景迭代
依托海量企业级真实场景数据，解决了实验室模型“跑分强、落地弱”的行业通病，让智能体具备适配复杂真实环境的实战能力。
编辑视角
本次成绩及具体任务表现目前由企业单方披露，未见第三方独立复测结果，读者可带此背景参考。报道中提及的“8 年工程化深耕”及“千万级异常场景迭代”为厂商自述口径，实际落地效果需后续企业级生产环境验证。
当模型底座趋于同质化，决定智能体落地能力的不再是参数规模，而是工程化处理异常场景的颗粒度——系统工程正在取代参数比拼，成为 AI 落地的真正护城河。
▶后续动态
核心技术正面向企业级生产场景迭代，目标向工业级 99.99% 可靠性推进。关注实在智能官方渠道获取最新进展。
实在智能官网 → 了解技术进展