中国智能体登顶OSWorld，90.2%成功率反超海外巨头

2026年7月27日，中国智能体“实在Agent”以90.2%的任务成功率登顶OSWorld全球总榜，同时拿下智能体分榜双料冠军。Meta、Anthropic、OpenAI等硅谷巨头的公开最高纪录，集体被一家中国公司反超。

据了解，这家公司是来自浙江的实在智能。其自研的“实在Agent”成为OSWorld自2024年发布以来首个突破90%成功率的Computer-Use Agent。90%是行业公认的关键临界点——在此之下，智能体还停留在“勉强能跑”的实验状态；跨过这条线，才意味着迈入稳定可用、可靠落地的产业阶段。

这场暗流之下的角力，终于有了一个清晰的结果。

01 从“堆模型”到“拼工程”：AI竞赛的赛道切换

2023年，所有人都在问“哪个模型参数最多”；2024年，问题变成“哪个模型推理最强”；到了2026年，产业界的追问已经变成——“哪个智能体最能干活”。

OSWorld的出现，正是为了回答这个问题。

该榜单由香港大学、卡内基梅隆大学、滑铁卢大学等机构于2024年发表于人工智能顶会NeurIPS，是目前全球公认的Computer-Use Agent核心评测基准。

与仅支持网页交互或API调用的传统基准不同，OSWorld在真实Ubuntu虚拟机中部署了大量应用程序，设置了361个实战任务，覆盖办公、编程、UI设计、系统运维等高频场景。任务是否完成由机器自动判定，无任何人工主观干预。

正因如此，OSWorld成了全球科技巨头验证智能体能力的“必争之地”。OpenAI发布GPT-5.4时强调“首次超越人类”，Google发布Gemini 3.6 Flash时标注“83%全场最高分”，Anthropic发布Claude Sonnet 5时突出“81.2%”。

复盘OSWorld的迭代曲线，整个行业的进步一目了然：

●2024年，最强智能体成功率仅12.2%

●2025年先后攀升至22.0%、72.6%，首次超越人类操作基线

●2026年5月推高至83.6%

●两个月后，实在Agent以90.2%登顶

两年时间，从12%到90%。但真正值得追问的不是“谁跑得更快”，而是“为什么跑得更快”。拆解实在Agent的得分，答案逐渐清晰：

跨应用协同：该任务模拟的是真实办公中最繁琐的跨系统流程，要求智能体在多个软件间连续穿梭。实在Agent在93个任务中成功率84.7%，领先第二名近10个百分点。

非标界面图像处理：GIMP界面充满浮动面板和非标准工具栏，堪称视觉识别的“噩梦级”场景。实在Agent在26个任务中拿下24个，成功率92.3%。

系统底层操作：24个任务实现100%满分零失误，覆盖进程管理、权限修改、命令行操作。

从跨应用到复杂界面，再到底层系统——这些“硬骨头”场景拼的不是模型“能想多深”，而是工程“能做多稳”。行业给这种工程能力起了一个名字：Harness，它决定了AI能不能把“想做的事”真正“做成”。

这一判断有扎实的实证支撑。斯坦福大学与清华大学的研究表明，在同一底层模型的前提下，仅因Harness设计不同，智能体的表现差距可达6%至17%。在编码基准测试中，同一模型仅改变Harness设计，解决率可从约5%跃升至30%以上。

02 Harness：AI的操作系统，实在智能的先行者之路

Harness可以通俗地理解为AI的“操作系统”——就像电脑有了Windows才能稳定运行各种软件一样，AI有了Harness，才能可靠地完成一系列复杂操作。任务怎么拆、工具怎么调、出错了怎么补救——所有这些让AI“不掉链子”的机制，都属于Harness的范畴。

Harness并非一个新概念，但它在2026年成为AI工程领域的核心范式：从Prompt Engineering到Context Engineering，再到Harness Engineering，行业对“如何让模型稳定交付”的认知正在完成一次系统性升级。

中信证券在近期研报中指出，Agent走向长任务执行与多智能体协同后，状态维护、错误传播与Token成本加速上升，模型单步能力强并不等于能稳定交付。Harness是将底层智能转化为稳定交付的中间层，可触达空间由约2000亿美元扩展至1.5万亿美元。换言之，过去AI只能服务有标准接口的企业，而Harness让那些‘没有API’的老旧系统也能被AI接管，企业场景的可触达范围被大幅拓宽

就如同DeepSeek除了模型核心技术，工程化能力是其大幅降低成本的关键一样，Harness对智能体的意义同样如此——它决定了AI能不能稳定、可控、低成本地“把事办成”。

在Harness这个赛道上，成立于2018年的实在智能是先行者。当行业还在追捧纯API对接时，公司创始人兼CEO孙林君做出了一个在今天看来极具前瞻性的判断。

“我们做智能体，就围绕第一性原理——你不能干的，我能不能干？谁的能力边界更广，谁的成本更低、效率更高？”

这个判断背后是对企业IT环境的深刻理解。孙林君在今年的世界人工智能大会上算过一笔账：像西门子这样的工业系统，开发一个接口费用可能高达20万。更不用说那些运行了几十年的内部系统，外面根本看不到接口。而电商平台的API策略三天两头微调，哪怕只是一个3%概率的A/B测试，纯API对接的系统就可能当场瘫痪。

“纯靠API对接的产品，后期维护成本高到无法想象，最后大多只能给客户退款。”

所以实在智能做实在Agent的逻辑很简单——不站队，不设限。有现成接口的就走接口，高效顺畅；没有接口的，AI就切换成“人肉模式”——像真人一样看屏幕、动鼠标、敲键盘，把数据拿回来，把事办成。

用户感知层面，变化是颠覆性的——过去需要IT部门花数月开发接口才能连通的系统，现在智能体可以直接“看屏幕”操作。一位制造业客户曾对孙林君说：“以前上个新系统要等半年，现在告诉Agent‘把上个月的产线数据整理成报表’，十分钟就回来了。”

从用户角度看，Harness的价值很简单：AI不再是一个需要你维护的“工具”，而是一个能自己动手干活的“同事”。

03 八年坚守：从GUI到AGI的终局判断

2025年底至2026年初，Harness完成从概念到共识的跃迁。但实在智能在这条路上的探索，远早于行业的集体转向。

“技术圈有一种流行的看法：只有通过API和MCP对接才是先进的，像人一样看屏幕、点鼠标的GUI路线，只是过渡期的‘妥协方案’。” 孙林君直言。

但实在智能从一开始就把GUI作为核心能力来建设。“这不是技术路线的站队问题，而是对AI终局的判断问题。”

这个判断的核心逻辑是，AGI要实现真正的通用智能，一定需要在多模态能力上有所突破——因为只有像人一样感知和操作这个世界，AI才能真正理解这个世界。

在孙林君看来，AI的终局不在参数里，而在对真实世界的感知与交互中。“未来要想实现AGI，必须先让AI认识世界、接触世界、操作世界。” 这里的“世界”，首先就是人类每天都在面对的数字世界——操作系统、软件界面、业务流程。

正是基于这一判断，实在Agent在API之外深耕GUI八年。实在Agent通过自研的ISSUT（智能屏幕语义理解）技术和融合拾取能力，让AI能像人一样“看懂”屏幕上的UI界面，在没有数据接口的情况下也能精准获取数据、操作软件。

八年时间，实在Agent沉淀下来的是一整套“会生长的”Harness工程体系——

真实场景的数据飞轮：实在Agent已服务超6000家企业客户，覆盖制造、电商、能源、跨境、医药、物流运输等核心行业。每一次真实场景的运行，都是一次Harness的练兵——异常报错如何处理，流程卡顿如何恢复，边界案例如何兜底。千万级异常场景的迭代优化，让实在Agent具备了实验室模型难以企及的“实战免疫力”。

从自动化到Agent的工程跃迁：实在智能的八年，恰好也是企业自动化向AI Agent演进的关键周期。自动化时代的流程编排、异常处理、系统集成经验，被完整地继承并升级为Agent时代的Harness能力。这种“工程基因”的延续，是纯粹的模型公司短期内难以复制的。

“模型是可插拔的‘大脑’，但光有大脑远远不够。真正决定AI能不能‘动手干活’的，是Harness工程能力——如何拆解复杂任务、如何调度各类软件工具、如何在执行出错时自我纠错、如何组织多个智能体协同作业。”

实在智能的八年坚守，本质上是对一个判断的反复验证：AI的终局不在模型参数里，而在工程落地的细节里。

04 国产智能体：从单点突破到产业底座

实在Agent登顶OSWorld，不仅是单个企业的技术突破，更是国产智能体产业的一个标志性事件。

格局正在变化。近期阿里将QoderWork、悟空与MuleRun整合至千问办公，腾讯推动WorkBuddy与QClaw团队收敛。上述动作形式各异，但本质上均在强化位于模型与用户场景之间的Harness层。易观分析发布的《中国办公智能体平台市场研究报告2026》显示，中国桌面端办公Agent月访问量由2026年3月超2000万次增至6月超6000万次。

国产智能体，正在从“追赶者”变成“定义者”。

但压力同样存在。在通用大模型基座上，硅谷巨头仍凭借算力与资本优势保持领跑。中国企业要在智能体赛道实现超越，必须在工程化落地、GUI多模态操控与真实工作流打通上建立不可替代的壁垒。

实在智能的突破，恰恰证明了这条路径的可行性。

从2018年成立，到2023年推出行业首个智能体，再到2026年登顶OSWorld。实在智能的每一步，都在回答同一个问题：如何让AI从“能聊天”变成“能干活”。而OSWorld 90.2%的成绩，是对这个问题最有力的回答。

AI智能体的竞争不是一家公司对另一家公司的较量，而是整个产业生态的系统工程。中国在智能体工程化落地上的积累，是参与这场全球竞赛的核心筹码，行业需要形成合力、共建生态，才能在下一代AI基础设施的定义权上占据主动。

一位人工智能领域资深分析人士向作者表示：“实在Agent登顶OSWorld的意义，不只是一次刷榜。它证明了在Harness工程这条路上，中国团队有能力定义标准。当AI智能体网络成为继电网、互联网之后人类历史上的第三张全球网络，成为所有产业之下的新底座时，谁掌握了Harness的工程范式，谁就掌握了下一代企业级软件的定价权。从这个角度看，实在智能的突破，是国产智能体产业的一个起点，而不是终点。”