2026年7月底，全球权威计算机操作智能体评测基准OSWorld完成最新榜单更新，浙江实在智能旗下「实在Agent」以90.20%的操作系统任务执行成功率，登顶总榜与智能体框架赛道双榜第一，创下该基准自发布以来的历史最高纪录，也是全球首个在OSWorld中突破90%成功率的智能体方案。OSWorld覆盖361个真实计算机环境课题，要求智能体像人一样直接操作图形界面、在真实系统中完成完整交互并生成可复现轨迹——任何一步理解偏差或操作失误都可能导致失败，几乎没有「碰运气」的空间。人类操作者在该评测下的平均成功率约为72%，实在Agent明显超过这一基准线。
一、90.20%意味着什么：从「勉强能跑」到「靠谱能用」
行业普遍把90%执行成功率视为一道临界线：在此之前，多数方案仅能在实验室简单场景里基础运行，长链路任务极易失败，被戏称为「可用不可靠」；跨过这条线，智能体才真正具备稳定作业、走向规模化商用的能力。纵向看，这条曲线相当陡峭——从GPT-4V时代的12.24%，到此前最高83.6%，再到如今的90.20%，一年多时间实现近7倍提升，并在顶端再跃一步，标志着Computer-Use Agent正式迈入「超高可靠性」阶段。对采购方而言，90%以上的成功率常被视为技术走出实验室、进入企业级生产环境的重要参考指标。
二、Harness工程：被低估的登顶密码
实在Agent走的是与多数巨头不同的路径。OSWorld榜单分设专用模型、通用原生模型、智能体框架三条赛道，Meta、MiniMax等多数厂商采用通用大模型直接执行任务的原生路线，性能高度依赖模型迭代与算力堆叠；实在Agent则采用「通用大模型 + 自研Harness工程框架」的双层架构，通过工程体系补齐纯模型在真实场景中的落地短板。Harness工程的核心是复杂任务的拆解调度、自我纠错与多智能体协同——换言之，模型是大脑，Harness是传动系统与控制装置，缺少它，再强的模型也只能原地轰鸣。本次TOP10高分方案中6席采用框架路线，且整体优于纯原生大模型，印证了行业正在形成的共识：Agent = Model + Harness，模型决定天花板，Harness决定能不能落地。
三、长链路与系统底层：国产框架路线跑通
拆解细分得分，实在Agent呈现「多点领先、核心场景大幅领先」的格局。最难的跨应用协同（multi_apps）场景拿到78.81分（共93个任务），领先第二名近10个百分点——这模拟的是「Chrome下载文件 → LibreOffice编辑 → 截图存档 → Thunderbird发邮件」这类连续穿梭多软件的长链路，最能检验规划能力；图像处理（GIMP）24/26（92.3%），证明非标准界面视觉理解深厚；系统底层操作（os）24/24满分，反映权限修改、进程管理、命令行等「错一步全盘皆输」任务里执行闭环的极高稳定性。实在智能成立于2018年、总部位于杭州，据称已服务超6000家企业客户，数千家企业的真实业务系统沉淀，是其Harness工程能力的重要来源。
四、客观看：90%是里程碑，也是新起跑线
价值在于它把行业注意力从「卷参数」拉回「卷工程落地」，证明框架路线能在真实复杂任务上跑赢纯原生大模型，给中国企业级智能体一条差异化突围路径。但客观边界也要摆清：基准成绩是在特定361个课题上的表现，真实企业环境的界面变动、权限体系、异常弹窗远比评测复杂；90.20%离「万无一失」仍有距离，关键业务容错率要求往往更高；此外框架路线的护城河，取决于能否持续把交付现场的经验沉淀为可复用组件，而非一次性刷分。实在Agent的突破值得肯定，但它更像一个信号：智能体竞争的下半场，赢家未必是模型最大的那家，而是最会把模型「用稳、用好」的那家。