InAgentがOSWorldで90.2%を達成：コンピューター使用エージェントのギャップが中国スタックで縮小

中国のCUAがOSWorldで初めて90%を突破。米国のフロンティア研究所との差は、モデルの差ではなく、ハーネスの差となった。

簡単に言えば。中国のコンピューター使用エージェント「InAgent」が、デスクトップのクリック、入力、ナビゲーションを行うエージェントの標準ベンチマーク「OSWorld」で90.2%のタスク成功率を達成した。Pandailyはこれを、OpenAI、Google、Anthropicの公開スコアを上回る、90%を超えた初の「Computer-Use Agent（CUA）」と報じている。

提供された内容

2026年8月3日のPandailyによると、InAgentはOSWorldで90.2%のタスク成功率を達成し、そのうちシステムタスクでは100%を記録した。これは、人間のようにOSを操作するエージェント（マウス、キーボード、ウィンドウ、アプリケーション）の能力を測る「computer-use agent」分野における画期的な成果だ。

私たちの解釈

重要なのは数字ではなく、その軌跡だ。OSWorldはベンチマーク最適化の際に「ソフトキャップ」と「ゲーム的なハロー効果」を持つが、フロンティア研究機関（OpenAI、Anthropic、Google）と中国勢のCUA分野におけるギャップは、一般ユースケースが安定する前にすでに縮まりつつある。Pandailyはこれを「新たなAI競争のフロンティアとしてのハーネスエンジニアリング」と位置付けている。これは、過去1ヶ月にわたりハーネス・オプスの動向を追ってきた我々の見解とも一致する：製品のパフォーマンスはモデルよりも、その周辺のツールループにかかっている。

内部構造

OSWorldで90%を達成するには、一般的に以下のスタックが必要だ： (a) UI認識モデル（画面理解 + OCR） (b) プランナー（タスク分解） (c) エグゼキューター（マウス/キーボードの原子的アクション） (d) エージェントメモリ + バックトラッキング（エラー回復） システムタスクでの100%達成は、CLI/スクリプト部分が堅牢であることを示唆しており、90%到達までの差は、UIが変化するマルチウィンドウタスク（画面が2回のクリック間で変化し、エージェントが再認識する必要があるケース）で生じている。

結論

実用的なエージェントを開発するチームへの提言：

1. ベンチマークスコアに基づいてスタックを評価するのではなく、再現実験を行うか、独立した再現を待つこと
2. 知覚と実行のギャップを測定せよ — これがコストの爆発的増加につながる
3. アーキテクチャで知覚・プランニング・アクションの役割を厳密に分離せよ。さもなければ、モデルの向上は製品に反映されない

要注目ポイント

• InAgentのモデルおよび/またはハーネスの公開（そうでなければ90.2%は単なる数字に過ぎない）
• 独立した再現実験（ベンチマークが公開・再現可能でなければ無意味）
• タスクあたりのコスト（トークン消費量） — 90%を達成しても1タスクあたり$10かかるCUAは実用化できない
• Windows以外のOSへの対応