2026 年 7 月 27 日，OSWorld 榜首易主，中国团队登顶。
中国芯智能体“实在 Agent"以 90.2% 的成功率刷新历史最高分，成为首个突破 90% 大关的智能体。
实在 Agent 同时斩获总榜与 Agentic Framework 分榜第一，实现“双冠”，超越了 Meta、Anthropic、OpenAI 等海外巨头保持的公开纪录。
OSWorld 排行榜总榜（按得分排序）
01
OSWorld：AI 的“计算机驾驶执照考试”
OSWorld 是全球公认的"Computer-Use Agent"权威基准，由香港大学、卡内基梅隆大学、滑铁卢大学等机构于 2024 年在 NeurIPS 发表。其核心定位是让 AI 智能体在真实的操作系统中，像人类一样通过鼠标、键盘及屏幕截图完成跨应用复杂任务。
不同于仅限网页或 API 调用的传统基准，OSWorld 提供完整的真实桌面沙盒环境。测试包含 361 个专家设计的实战任务，涵盖办公、编程、UI 设计及系统管理等高频场景。所有结果均由机器判定，杜绝人工主观偏差，因此成为各大厂发布旗舰模型时的必争之地。
回顾 OSWorld 发展历程，行业进步显著：
- 2024 年：GPT-4o、Claude-3.5-Sonnet 等成功率仅 12.2%；
- 2025 年 5 月：UI-Evol 达到 22.0%；
- 2025 年 12 月：Simular Agent S2 达到 72.6%，首次超越人类基线；
- 2026 年 5 月：Pointer 达到 83.6%；
- 2026 年 7 月：实在 Agent 以 90.2% 登顶双榜。
两年间，成功率从 12% 跃升至 83%，而实在 Agent 的 90.2% 标志着 Computer-Use Agent 正式迈入“超高可靠性”新阶段。
OSWorld 首创多模态计算机环境
02
三个数字看懂实在 Agent 的统治力
在 OSWorld 全部 361 个硬核实战课题中，实在Agent最终拿下 325.59 分（总成功率 90.2%），呈现出“多点领先、核心场景大幅领先”的格局。
1. 常用办公与编程场景
- 表格与文档：LibreOffice Calc 得分 46.0/47，Writer 得分 22.0/23；
- 编程与多媒体：VS Code 得分 22.0/23，VLC 播放器得分 16.89/17；
- 演示与邮件：Impress 得分 42.96/47，Thunderbird 得分 13.0/15。
在日常高频场景中，实在 Agent 保持了高完成度与稳定领先，奠定了扎实的技术基本盘。
2. 核心难点场景
真正拉开差距的是 OSWorld 中公认最难的三个“地狱级”场景：
跨应用协同（multi_apps）：78.81/93
这是任务量最大、最易出错的场景。实在 Agent 领先第二名近 10 个百分点，展现了卓越的长链路规划能力，能流畅处理"Chrome 下载→LibreOffice 编辑→截图存档→Thunderbird 发送”等跨四五个软件的复杂流程。
图像处理（gimp）：24.0/26
面对 GIMP 充满浮动面板和非标准工具栏的复杂界面，实在 Agent 成功率达 92.3%，证明了其在非标准界面视觉理解上的深厚积累。
系统底层操作（os）：24.0/24（满分）
在文件权限修改、进程管理等“错一步即全盘皆输”的任务中，实在 Agent 实现零失误，反映了底层执行闭环极高的稳定性。
跨应用领先代表长链路规划力，GIMP 领先代表非标准界面理解力，系统满分代表执行闭环可靠性。三项能力叠加，构成了实在 Agent 的整体优势。
03
登顶的背后是“八年磨一剑”
行业共识认为：Agent = Model + Harness。模型是发动机，而 Harness（工程套件）则是将智力转化为可靠行驶方向的整车架构。研究表明，在同等模型下，仅优化 Harness 工程设计，性能差距可达 6-10 个百分点，甚至在复杂任务上提升近 17 个百分点。这说明当模型能力趋同，Harness 工程化才是决定智能体落地能力的核心变量。
Harness 的可靠性源于长期的企业场景沉淀。实在智能秉持“第一性原理”，坚持"API 能跑通就跑 API，跑不通就用 GUI"的多模态策略，像人一样看屏幕、点鼠标。这套能力是自 2018 年成立起便打磨的基本功。
作为自动化领域领头羊，实在智能已服务超 6000 家企业客户，其中 90% 为世界 500 强、央国企及上市企业。海量真实桌面环境的操作数据、异常处理机制和行业流程模板，成为 Harness 工程迭代最宝贵的原材料。
实在 Agent 拿下 90.2%，是八年行业 Know-how、海量真实业务数据以及 Harness 工程体系三者叠加的必然结果。
04
从基准高分走向生产力真正落地
OSWorld 榜单登顶是里程碑而非终点。从“榜单高分”到“产业落地”，实在 Agent 正指向智能体演进的下半场：
1. 从 90.2% 到工业级 99.99% 的可靠性跨越
针对真实企业场景中哪怕微小失败率可能引发的重大风险，实在 Agent 构建人机协同与安全断路器机制。在涉及高风险操作时自动提权确认，提供“操作撤销与回滚”能力，推动工业级可靠性向 99.99% 迈进。
2. 跨操作系统与复杂动态环境的抗干扰能力
面对工业界真实的软件版本更新、随机弹窗、网络延迟等非标准干扰，实在 Agent 具备像人类员工一样的灵活应对与自主纠错能力，确保在复杂动态环境中稳定运行。
3. 可算账的商业 ROI 与全链路安全合规
通过端侧轻量模型与云端 VLM 混合调度，实在 Agent 持续降低推理成本与延迟，运行成本远低于人力。同时，打造符合企业级安全标准的沙盒隔离环境与全链路可审计日志，确保每一次操作可追溯、可归因、可合规。
OSWorld 的 90.2%，宣告了 AI 正摆脱“只会聊天”的形态，真正接管屏幕，成为能够驱动复杂软件系统、创造实际经济价值的数字劳动力。高原之上，再建高峰。
