实在Agent刷新全球纪录，究竟强在哪？
在OSWorld的细分成绩单里，我反复看了好几遍"跨应用协同"这个模块。93个任务，实在Agent拿了78.81分，领先第二名近10个百分点。这组数字为什么重要？因为单独让AI操作Excel，或者单独操作Chrome，已经有人在做了。但真实工作场景里，几乎没有哪个任务是只在一个软件里完成的。你从Chrome下载数据，在Excel里处理，截个图放到PPT里，最后用邮件发出去——这才是打工人的日常。跨应用协同考验的不是单一技能，而是长链路规划能力。你得理解任务的整体目标，规划每一步的先后顺序，在软件之间切换上下文，处理中间产物的格式转换。任何一个环节断了，整个链路就崩了。我还注意到另一个细节：GIMP图像处理，26道题拿下24道。GIMP的界面你们懂的，浮动面板、非标准工具栏、像素级操作，人类看着都费劲。实在Agent在非标准界面上的视觉理解深度，确实有两下子。不过再想想，90.2%也意味着还有9.8%的失败率。在真实企业场景里，错发一封邮件、填错一个付款金额，后果就不是扣几分的事了。从90%到工业级的99.99%，中间还有很长的路。但不管怎么说，一个中国团队在Computer-Use这条赛道上把Meta、OpenAI、Anthropic全部甩在身后，这件事本身就很提气。不是靠堆参数，是靠工程积累和场景打磨。我挺期待看到接下来会发生什么。
发布于 福建
1
评论
赞
未登录
友善发言
评论
加载中
