中國Agent拿下OSWorld冠軍，90.2%破全球紀錄

全球AI智慧體評測基準OSWorld迎來了一個歷史性時刻：中國團隊實在智慧研發的「實在Agent」，以90.2%的任務成功率打破全球紀錄，一舉拿下OSWorld總榜與Agentic Framework分榜雙冠軍。這不是一次普通的榜單排名變動——它意味著AI從「會聊天」正式邁入了「能幹活」的階段。

先說說OSWorld是什麼。它由香港大學、卡內基梅隆大學和滑鐵盧大學聯合推出，被業界公認是含金量極高的「計算機駕駛執照考試」。它的獨特之處在於，不是在封閉的API環境裡考模型，而是把AI丟進真實的桌面作業系統裡，讓它像人一樣看螢幕、動滑鼠、敲鍵盤，完成跨應用的複雜任務。滿分361分的考場，包括辦公自動化、程式碼開發、影象處理，甚至底層運維。

這個基準在2024年剛釋出時，最強智慧體得分只有12.2%，基本屬於「演示級」。直到2025年底，行業首次以72.6%的得分突破了人類基線（72.36%）。而這次實在Agent拿下90.2%，相當於AI從「勉強透過科目二」直接飆到了「老司機上路」的水平。

更值得關注的是拉開差距的具體領域。實在Agent在三個公認最難的維度上表現異常突出：跨應用長鏈路協同拿到78.81分，領先第二名近10個百分點；非標GUI介面理解以92.3%的成功率攻下專業影象軟體GIMP的26個任務中的24個；底層系統運維更是24個任務全部滿分。這幾個數字說明一件事：它不是靠刷分上去的，而是在真正考驗「替人幹活能力」的場景裡贏的。

為什麼是一家做企業自動化的中國公司，而不是那些大名鼎鼎的基礎模型巨頭？這背後有一個行業正在驗證的邏輯：Agent = Model + Harness。大模型是發動機，提供智力；而Harness——也就是工程套件和執行架構——才是決定AI能不能在真實環境裡幹活的關鍵。同樣一個模型，配上好的Harness，效能可以提升6%到17%。當大模型的能力差距開始縮小，Harness才是決定勝負的那隻手。

實在智慧在這條路上已經跑了八年。他們累計服務了超過6000家企業客戶，其中90%是世界500強和央企國企。這些年積攢下來的真實運算元據、報錯恢復經驗和流程模板，就是他們構建Harness最值錢的原材料。

但90.2%只是一個開始。實在智慧自己也清楚，從基準高分到工業生產環境的大規模落地，中間還有一道坎要邁。企業級場景需要99.99%的可靠性，需要在複雜動態環境中抗干擾、在誤操作時能回滾，還需要每個點選都可追溯、可審計。從「考試駕照」到「上路跑活」，這才是智慧體商業化真正的下半場。