全球权威AI智能体测试基准OSWorld的最新排名，被一家中国公司改写了。据环球网7月31日报道，由中国团队研发的智能体产品实在Agent以90.2%的成功率位列全球总榜首位，同时斩获Agentic Framework分榜第一，实现双项冠军。这是该测试自2024年设立以来，全球智能体首次突破90%大关，此前最高纪录由Meta、OpenAI、Anthropic等海外科技企业保持。OSWorld测试由香港大学、卡内基梅隆大学、滑铁卢大学等高校学者联合发起，被业界视为衡量AI计算机操作能力的重要标尺。
与侧重语言对话的传统测试不同，OSWorld要求智能体在真实操作系统中，独立完成文件编辑、表格处理、图像修改、邮件收发及跨应用协同等361项复杂任务，全程由机器自动判定结果，避免人为评分的主观偏差，因而被公认为贴近真实办公场景的AI能力试金石。实在Agent的登顶，意味着中国AI在计算机操作能力上已经站上了世界之巅。
一组数据能直观反映这个纪录的分量。2024年OSWorld刚推出时，包括GPT-4o、Claude在内的顶级模型成功率仅约12%，彼时AI连最简单的桌面操作都做不好。至2025年底，行业最优成绩提升至72.6%，首次超过人类平均水平，这是AI计算机操作能力的第一个里程碑。2026年5月，纪录刷新至83.6%。而此次实在Agent以90.2%的成绩再次大幅跃升，标志着AI在电脑操作任务上已迈入超高可靠性的新阶段。短短两年多时间，这个数字从12%涨到90.2%，提升超过7倍，其背后是整个行业在视觉理解、工具调用与任务规划能力上的持续突破。
在细分领域中，实在Agent在图像处理、跨应用协同和多软件联动等公认高难度任务上表现突出，其中系统底层操作类任务获得满分。业内人士指出，跨应用协同考验智能体的长链路规划能力，图像处理反映其对非标准界面视觉理解的深度，而系统级零失误则体现了执行闭环的高稳定性，三项能力叠加构成其整体领先优势。OSWorld测试的高难度设计，正是为了筛选出真正能在真实世界干活的智能体，而不是只会聊天的模型。
实在Agent由国内人工智能企业实在智能研发。该公司自2018年成立以来，已服务超过6000家企业客户，绝大部分为世界500强、央国企及行业龙头企业，在真实办公场景中积累了丰富的操作数据和工程经验。团队表示，智能体能力不仅依赖底层大模型的智力，更依赖整套工程调度系统的可靠性，相当于汽车发动机与方向盘、制动系统的协同配合。长期的企业场景沉淀和工程迭代，是此次登顶的重要基础。
与纯学术团队不同，实在智能的研发路径带有强烈的产业基因。其产品从诞生起就在服务企业客户的真实业务，处理的是报销单据、合同审批、财务对账等复杂流程，这要求智能体必须具备极高的稳定性和容错能力。正是这种产业实践的倒逼，让实在Agent在OSWorld这种贴近真实办公的测试中脱颖而出。在2026年WAIC上，实在智能展示了其Agent在财务、人事、客服等场景的落地应用，进一步印证了技术实力与商业价值的统一。
实在Agent的登顶，对全球AI智能体行业释放了多重信号。其一，中国AI团队在智能体工程化能力上已经跻身全球第一梯队，不再只是模型参数的追赶者，更是应用落地的领跑者。其二，90.2%的成功率证明AI执行电脑操作任务已经达到可靠可用水平，企业级Agent的规模化部署条件趋于成熟，从文档处理到系统运维，越来越多的白领工作将被智能体接管。其三，Agentic Framework分榜的突破，说明工程框架的价值正在被重新认识，智能体竞争从模型单打独斗走向系统工程的时代已经来临。
当然，90.2%距离100%仍有差距，长尾场景的泛化能力、复杂多模态任务的鲁棒性仍是行业需要攻克的课题。但OSWorld的纪录已经向世界证明，AI操作电脑的可靠性正在快速逼近人类水平，一个由智能体驱动的工作自动化时代正在加速到来。对于企业而言，现在正是评估智能体战略、布局数字员工的关键窗口期。
OSWorld的突破，让行业开始重新思考智能体可靠性的衡量标准。传统的评测指标往往关注任务完成率，但真实的办公场景远比基准测试复杂：一个财务智能体要处理的是格式千差万别的报销单据，一个客服智能体要应对的是情绪化且信息残缺的用户提问。实在Agent在OSWorld中展现的高成功率，得益于其基于6000家企业客户场景沉淀的工程经验，这种从真实需求反推技术方向的做法，正在成为智能体公司的共识。
业内人士指出，90%以上的成功率是一个关键的心理门槛。当企业发现智能体执行任务的可靠性接近甚至超过普通员工时，规模化部署的意愿会显著提升。OSWorld榜单的刷新，为整个行业注入了信心，也让更多企业敢于把关键业务流程交给智能体。