OSWorld 90.19% 的成绩核验：框架、代码动作与步数上限

结论

一条中文标题写着”首个突破90%成功率的桌面操作智能体，登顶 OSWorld 双冠”。我去 OSWorld 官方榜单的原始数据里核了一遍：数字是真的。
实在智能（Intelligence Indeed）的 agent 在 OSWorld-Verified 上拿到 90.19%，成绩 325.59/361，由 OSWorld 团队在统一环境下评测，不是自报。第二名 83.64%，领先 6.5 个百分点。
但标题省掉了三件关键的事，而这三件恰好解释了它为什么能赢：它是工程框架不是单个模型；它允许写代码执行动作；它的任务上限是 100 步。
所以”90%“不等于”AI 会用电脑了”。它等于：在一个允许写脚本、给足 100 步的框架里，把现有模型的能力榨到了 90%。这仍然是了不起的工程，但和”模型变强了”是两件事。

核验方法

这是我觉得比结论本身更值得写的部分。

那条中文报道来自 InfoQ 中国，属于典型的”厂商发稿”体裁：数字醒目、方法模糊、没有可点的原始出处。这种稿子不能直接信，也不该直接扔——它常常指向一个真实事件，只是包装过度。

OSWorld 官网首页的榜单是 JS 动态加载的，HTML 里看不到数据。我在页面脚本里找到了真正的数据源：

static/data/osworld_verified_results.xlsx    ← 官方统一环境评测
static/data/self_reported_results.xlsx      ← 厂商自报

这个分离本身就是信息量。 OSWorld 团队把”我们亲自测的”和”厂商说的”放在两个文件里，说明他们清楚自报成绩不可靠。核任何 benchmark 声明的第一件事，就是确认它落在哪个文件里。

我把 xlsx 下下来直接解了（它就是个 zip 里装 XML），排序后确认：

排名	系统	机构	成功率	类型
1	Intelligence-Indeed Agent	实在智能	90.19%	Agentic framework
2	Pointer Agent w/ Opus 4.7	Pointer	83.64%	Agentic framework
3	Coasty CUA v1	Coasty Team	82.81%	General model
4	Holo3-35B-A3B	H Company	82.56%	Specialized model
6	Muse Spark 1.1	Meta Superintelligence	80.67%	General model

榜上 142 条验证过的记录，第一名确实是它，确实是首个过 90% 的。这条中文标题没有撒谎。

报道未提及的三项记录字段

原始记录里有几个字段，报道通常不会提，但它们直接决定这个数字怎么解读：

Approach type                   Agentic framework
Max steps                       100
Additional a11y tree used       No
Additional coding-based action  Yes
Multiple rollout                No
Success/Total                   325.59 / 361

第一，它是框架不是模型。 OSWorld 明确区分三类：通用模型（顺带会用电脑）、专用模型（专门训练来操作电脑）、以及 agentic framework（把多个模型编排成工作流，常见是一个当规划器、一个当定位器）。第一名和第二名都是框架。前四名里只有第三、第四是单模型。所以真正的结论是：当前阶段，编排的收益大于换模型的收益。这正是那句”从堆模型到拼工程”的意思，只是报道没解释为什么。

第二，它可以写代码。 Additional coding-based action: Yes —— 这个 agent 不只是模拟鼠标键盘，它能生成并执行脚本。在 LibreOffice Calc 这类任务上，写一段宏比点二十次菜单靠谱得多，而且这条路径几乎不会因为界面识别失误而失败。榜单上它的 Calc 类成绩是 46.0/47，几乎满分——这个分数用点击很难拿到。

第三，100 步上限，单次 rollout。 100 步很宽裕，但 Multiple rollout: No 是个诚实的信号：它没有靠”多跑几次取最好”来刷分。这一点值得肯定，因为多次 rollout 是 benchmark 上最常见的注水手段。

还有一个细节：Additional a11y tree used: No。它没用无障碍树（那是操作系统提供的界面结构信息，相当于给 agent 一份 DOM）。纯靠截图加代码执行做到 90%，比靠 a11y 树做到 90% 难得多。

边界与未验证项

OSWorld 是 361 个任务的固定集合。在固定集合上做到 90%，和在真实桌面上做到 90%，是两回事——前者的任务分布是已知的，框架可以针对性优化（比如”遇到表格类任务就写宏”）。这不是作弊，但也不能直接外推。
我没有验证它的实现。PaperLink 指向一个 GitHub 仓库而不是论文，我没有读代码，也没有复现。我核实的是榜单记录本身：这个成绩存在于官方验证文件里，字段如上。
90.19% 意味着仍有约 35 个任务失败。哪些任务失败、为什么失败，比”90%“这个数字有信息量得多，但榜单没给。

结论

核验方法

报道未提及的三项记录字段

边界与未验证项

来源