Китайский агент InAgent достиг показателя успешного выполнения задач в 90,2% на платформе OSWorld, став первым агентом для работы с компьютером, превысившим порог в 90%. При этом он продемонстрировал 100% успех в выполнении задач системного уровня. Это знаменует собой переход к новой арене конкуренции в области искусственного интеллекта — инженерии Harness.
27 июля китайский агент InAgent возглавил глобальный рейтинг OSWorld с показателем успеха задач в 90,2%, завоевав титулы как в общей, так и в категории агентов. Он превзошел лучшие публичные результаты, достигнутые Meta, Anthropic и OpenAI. OSWorld, который был представлен на конференции NeurIPS 2024 Университетом Гонконга, Carnegie Mellon и Университетом Ватерлоо, является признанным отраслевым стандартом, поскольку он определяет порог, при котором агенты переходят от экспериментального использования к стабильному промышленному внедрению.
Платформа OSWorld тестирует приложения в реальных виртуальных машинах Ubuntu, используя 361 задачу, охватывающие офисные операции, программирование, разработку пользовательского интерфейса и системное администрирование. Оценка производится автоматически, без участия человека. Динамика прогресса показала рост с 12,2% в 2024 году до 22,0% и 72,6% в 2025 году, когда впервые был превышен человеческий уровень, затем 83,6% в мае 2026 года, и, наконец, 90,2% у InAgent через два месяца.
Детализация результатов включает коллаборацию между приложениями с успехом 84,7% по 93 задачам, что почти на десять пунктов выше, чем у второго места; обработка интерфейса GIMP, где было успешно выполнено 24 из 26 задач с показателем 92,3%; а также операции системного уровня, выполненные с идеальным результатом в 100% по 24 задачам, включая управление процессами, правами доступа и командной строкой.
Эксперты считают, что ключ к успеху кроется не в размере самой модели, а в инженерии Harness. Harness выступает в роли операционной системы ИИ, определяя, как декомпозируются задачи, как вызываются инструменты и как происходит восстановление после ошибок. Происходит смещение отраслевого понимания от Prompt Engineering к Context Engineering, а затем к Harness Engineering. CITIC Securities отмечает, что по мере перехода агентов к сложным и многоагентным задачам возрастают затраты на поддержание состояния, распространение ошибок и токены, и сила модели в одном шаге уже не гарантирует стабильной доставки результата.
Harness представляет собой промежуточный слой, который преобразует интеллект в стабильную работу, расширяя потенциальный рынок с примерно 200 миллиардов до 1,5 триллиона долларов США, позволяя ИИ брать на себя управление устаревшими системами без необходимости использования API. Исследования от Стэнфорда и Цинхуа демонстрируют, что различные реализации Harness могут приводить к разнице в производительности от 6% до 17% при использовании одной и той же модели, а процент успешного решения задач по кодированию может возрасти с около 5% до более чем 30%.
Разработчик InAgent, компания Intelligence Indeed, основанная в 2018 году, является пионером в области Harness. Генеральный директор Sun Linjun отметил, что чистая интеграция через API влечет за собой непомерные расходы на обслуживание: промышленные системы, такие как Siemens, требуют до 200 000 юаней за один интерфейс, а десятилетние системы часто не имеют интерфейсов, а API электронной коммерции постоянно меняются. Агент не занимает чью-либо сторону: он использует интерфейсы там, где они есть, а в системах без интерфейсов переключается в режим, имитирующий действия человека, наблюдая за экраном и управляя мышью.
Один из клиентов в сфере производства ранее тратил полгода на подключение новой системы; теперь, поручив агенту скомпилировать производственные данные в отчет, он получает результат всего за десять минут. Компания сделала ставку на графический интерфейс пользователя (GUI) как на основную возможность, исходя из предположения, что общий искусственный интеллект (AGI) требует мультимодального прорыва: только воспринимая и оперируя миром подобно человеку, ИИ сможет его понять. Harness трансформирует ИИ из поддерживаемого инструмента в независимого коллегу, а результат OSWorld показывает, что китайские компании лидируют, поскольку конкуренция в области ИИ смещается от простого нагромождения моделей к обеспечению стабильности инженерных решений.
Модель AgiBot WITA-Omni Full-Modal получила высокий балл 85.21 в рамках бенчмарка DailyOmni. При этом модель продемонстрировала первенство по шести из восьми показателей, опередив такие системы, как Alibaba Qwen, Google Gemini, ByteDance Doubao и NVIDIA.
Бенчмарк оценивает способность модели одновременно обрабатывать аудио- и визуальные сигналы в условиях реального мира. Среди протестированных параметров были согласованность аудиовизуальных данных (86.13), временное рассуждение о событиях (84.64), комплексное кросс-модальное рассуждение (85.06), а также высокие результаты в задачах понимания видео продолжительностью 30 и 60 секунд.
В отличие от универсальных мультимодальных моделей, оптимизированных для взаимодействия с цифровым контентом, WITA-Omni изначально разрабатывалась для воплощенного взаимодействия. Это означает, что роботы, использующие эту модель, должны понимать, реагировать и действовать в физической среде в режиме реального времени.
Инновация заключается в парадигме Thinker-Talker-Actor, которая заменяет традиционный последовательный конвейер. Стандартные процессы взаимодействия роботов выполняют распознавание речи, семантическое понимание, генерацию ответа, синтез речи и вывод действия как отдельные, последовательные этапы, что приводит к накоплению задержек. WITA-Omni же запускает ядро многомодального рассуждения Thinker, потоковую генерацию речи Talker и модули действия и выражения Actor параллельно на единой временной шкале.
Модуль Actor принимает на вход не только семантическое состояние Thinker, но и латентные переменные аудио от Talker. Это позволяет жестам и мимике синхронизироваться с ритмом речи, паузами, акцентами и эмоциональным тоном, устраняя рассогласование между тем, что говорит робот, и тем, как он двигается. Архитектура расширяет парадигму Thinker-Talker, ранее созданную для разговорного ИИ, добавляя модуль Actor как полноценный выходной канал наряду с речью.
Thinker объединяет текстовые, изобразительные, аудио- и видеовходы через специализированные кодировщики и легкие проекционные слои в единое пространство представления для принятия решений о взаимодействии и кросс-модального рассуждения. Talker генерирует естественную речь, обусловленную скрытыми состояниями Thinker. Actor управляет головой действий и головой выражения, используя как семантическое состояние Thinker, так и аудиопризнаки Talker. Механизм синхронизации между потоками гарантирует, что движения робота реагируют на изменения скорости речи, сдвиги в выражении, а физические действия сохраняют временную согласованность с вербальным общением.
Этот результат следует за достижением AgiBot world model Genie Envisioner-Sim 2.0, который ранее занял первое место на WorldArena. Эти два достижения формируют трехстолпную структуру возможностей ИИ: WITA-Omni для взаимодействия, world model для понимания физического мира и аппаратное обеспечение робота для действий в нем. Победа в рейтинге подтверждает, что компании, занимающиеся воплощенным ИИ, могут достигать превосходных общих возможностей, оптимизируясь под ограничения реального мира, а не адаптируя универсальные модели.
По мере перехода роботов из контролируемых заводских сред в неструктурированные социальные пространства, способность синхронно обрабатывать множественные сенсорные потоки и реагировать скоординированными вербальными и физическими действиями становится ключевым отличием. AgiBot определяет синхронное полномодальное взаимодействие как новое конкурентное измерение в индустрии воплощенного ИИ, отдельное от конкуренции чисто по качеству моделей, доминирующей в сфере общего ИИ.
