中国智能体登顶OSWorld，90.2%成功率引领全球AI新潮流

2026年7月27日，中国自主研发的智能体“实在Agent”以惊人的90.2%任务完成率，成功登顶OSWorld全球总榜，并一举夺得智能体分榜的双料冠军。这一壮举标志着Meta、Anthropic、OpenAI等硅谷科技巨头的公开最高纪录被一家中国公司全面超越，彰显了中国在人工智能领域的强劲实力。

据悉，这家创造奇迹的公司是来自浙江的实在智能。其自主研发的“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%这一数字，在业界被视为关键临界点——低于此，智能体尚处于“勉强能运行”的实验阶段；而一旦跨越，便意味着智能体已迈入稳定可用、可靠落地的产业应用新阶段。

这场暗流涌动的科技角力，终于迎来了一个明朗的结果。

01 从“模型堆砌”到“工程精进”：AI竞赛的新赛道

回望2023年，人们热衷于探讨“哪个模型参数最多”；到了2024年，焦点转移至“哪个模型推理能力最强”；而步入2026年，产业界的关注点已变为——“哪个智能体最能胜任实际工作”。OSWorld的诞生，正是为了解答这一核心问题。

该榜单由香港大学、卡内基梅隆大学、滑铁卢大学等顶尖学府于2024年在人工智能顶会NeurIPS上联合发布，已成为全球公认的Computer-Use Agent核心评测基准。

与传统仅支持网页交互或API调用的基准不同，OSWorld在真实Ubuntu虚拟机中部署了众多应用程序，设置了361个实战任务，全面覆盖办公、编程、UI设计、系统运维等高频应用场景。任务完成情况由机器自动判定，确保评判的客观性和公正性。

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

回顾OSWorld的迭代历程，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，成功率先后攀升至22.0%、72.6%，首次超越人类操作基线

●2026年5月，成功率推高至83.6%

●仅两个月后，实在Agent便以90.2%的傲人成绩登顶

两年时间，从12%到90%，这一飞跃不仅令人瞩目。但更值得探究的是“为何能跑得更快”。深入剖析实在Agent的得分构成，答案逐渐清晰：

跨应用协同：该任务模拟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灵活穿梭。实在Agent在93个任务中成功率高达84.7%，领先第二名近10个百分点。

非标界面图像处理：GIMP界面布满浮动面板和非标准工具栏，堪称视觉识别的“终极挑战”。实在Agent在26个任务中成功完成24个，成功率高达92.3%。

系统底层操作：在24个任务中实现100%满分零失误，全面覆盖进程管理、权限修改、命令行操作等关键领域。

从跨应用到复杂界面，再到底层系统，这些“硬骨头”场景考验的并非模型“思考深度”，而是工程“执行稳定性”。行业将这种工程能力命名为Harness，它决定了AI能否将“设想”转化为“现实”。

这一判断得到了扎实实证的支持。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设计差异，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，解决率便可从约5%大幅提升至30%以上。

02 Harness：AI的“操作系统”，实在智能的先行探索

Harness可通俗理解为AI的“操作系统”——正如电脑需Windows才能稳定运行各类软件，AI也需Harness才能可靠完成一系列复杂操作。任务拆解、工具调用、错误补救等确保AI“不掉链子”的机制，均属于Harness的范畴。

Harness并非新概念，但在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”的认知正经历系统性升级。

中信证券在近期研报中指出，随着Agent走向长任务执行与多智能体协同，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同于能稳定交付。Harness作为将底层智能转化为稳定交付的中间层，其可触达空间由约2000亿美元扩展至1.5万亿美元。这意味着，过去AI仅能服务有标准接口的企业，而Harness让那些“无API”的老旧系统也能被AI接管，企业场景的可触达范围大幅拓宽。

正如DeepSeek除模型核心技术外，工程化能力是其大幅降低成本的关键，Harness对智能体的意义亦如此——它决定了AI能否稳定、可控、低成本地“把事办成”。

在Harness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孙林君便做出了极具前瞻性的判断。

“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？”

这一判断背后是对企业IT环境的深刻洞察。孙林君在今年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策略频繁微调，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。”

因此，实在智能打造实在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。

从用户角度看，这一变化是颠覆性的——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。”

Harness的价值在于，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的终极愿景

2025年底至2026年初，Harness完成了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将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。”

这一判断的核心逻辑是，AGI要实现真正的通用智能，必须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。通过自研的ISSUT（智能屏幕语义理解）技术和融合拾取能力，实在Agent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：从单点突破到产业基石

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。

格局正在悄然变化。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。据徽声在线发布的《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”转变为“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。”