InAgent erreicht 90,2 % auf OSWorld: Die Lücke des Computer-Nutzungsagenten für den chinesischen Stack wird kleiner

Eine chinesische CUA übertrifft als erste die 90%-Marke auf OSWorld. Die Differenz zu den führenden US-Laboren ist nun ein Trainingsunterschied, kein Modellunterschied.

In einfachen Worten. Ein chinesischer Computerbenutzungs-Agent namens InAgent hat 90,2 % erfolgreiche Aufgaben auf OSWorld erreicht – dem Standard-Benchmark für Agenten, die auf einem Desktop klicken, tippen und navigieren. Pandaily berichtet, dass es der erste Computer-Use-Agent (CUA) ist, der die 90 %-Marke überschreitet, und damit vor veröffentlichten Ergebnissen von OpenAI, Google und Anthropic liegt.

Was geliefert wurde

Laut Pandaily vom 3. August 2026 erreicht InAgent 90,2 % erfolgreiche Aufgaben auf OSWorld, darunter 100 % bei Systemaufgaben. Dies ist ein Meilenstein für den Bereich „Computer-Use-Agent“, der die Fähigkeit eines Agenten misst, ein Betriebssystem wie ein Mensch zu bedienen (Maus, Tastatur, Fenster, Anwendungen).

Unsere Interpretation

Die Nachricht ist nicht die Zahl – OSWorld hat eine weiche Obergrenze und einen Gaming-Halo, wenn man für den Benchmark optimiert – sondern die Trajektorie. Die Lücke zwischen den Frontier-Labs (OpenAI, Anthropic, Google) und den chinesischen Akteuren schließt sich bei CUAs, bevor sich der Consumer-Use-Case überhaupt stabilisiert hat. Pandaily rahmt dies als „Harness-Engineering als neue AI-Wettbewerbsfront“ ein. Das passt zu dem, was wir seit einem Monat auf dem harness-ops-Thread verfolgen: Die Produktleistung entscheidet sich weniger am Modell als an der Tooling-Schleife drumherum.

Under the hood

Auf OSWorld bedeutet 90 % im Allgemeinen einen Stack aus: (a) UI-Wahrnehmungsmodell (Screen-Verständnis + OCR), (b) Planer (Aufgabenzerlegung), (c) Ausführer (atomare Maus-/Tastaturaktionen), (d) Agentengedächtnis + Backtracking zur Fehlerbehebung. Die 100 % bei Systemaufgaben deuten darauf hin, dass der CLI/Scripts-Teil solide ist; die Differenz zu 90 % insgesamt entsteht bei Multi-Fenster-Aufgaben mit UI-Drift – der Fall, in dem sich der Bildschirm zwischen zwei Klicks ändert und der Agent neu wahrnehmen muss.

Was bedeutet das?

Für Teams, die operative Agenten bauen: (1) Benchmarken Sie Ihren Stack nicht anhand der veröffentlichten Scores – reproduzieren Sie sie oder warten Sie auf unabhängige Reproduktion; (2) Messen Sie Ihre eigene Lücke zwischen Wahrnehmung und Ausführung – hier explodieren die Kosten; (3) Trennen Sie die Rollen Wahrnehmung / Planung / Aktion in Ihrer Architektur strikt, sonst kommen Modellgewinne nie beim Produkt an.

Zu beobachten

Veröffentlichung des Modells und/oder des Harness von InAgent – sonst bleibt 90,2 % eine Folie-Zahl; unabhängige Replikation (sonst nichts, wenn der Benchmark nicht offen reproduzierbar ist); Kosten pro Aufgabe in verbrauchten Tokens – ein CUA mit 90 %, der $10 pro Aufgabe kostet, ist nicht industrialisierbar; Unterstützung von Nicht-Windows-Betriebssystemen.