微软 Mage 团队的 4B 电脑操作模型：看桌面截图后，每一步自己决定用鼠标键盘操作界面（computer_use，11 种动作），还是在终端里跑 shell / Python（bash），一个模型做完跨应用的桌面任务，不用外部调度器。从 Mage-VL 4B 的中间检查点（Mage-ViT 加 Qwen3-4B）训练而来。
上升分 90 · 点赞 91 · 下载量 233
理由
- 官方称 OSWorld-Verified 66.0%（361 题，不含 Google Drive 类，50 步预算，两次完整评测取平均），其中操作系统类 87.5%、多应用工作流 62.7%；同一张表里 ScaleCUA-Qwen3.5-9B 68.7、Qwen3.6-27B 63.9、GPT-5.4-mini 69.6，人类参考 72.4。
- 会分工：表格、文档、演示文稿这类结构化修改直接在终端用 openpyxl / python-pptx 改，画布编辑和查看界面状态才去点鼠标。官方演示了一个 LibreOffice Calc 任务（合并单元格、加柱状图、存 .xlsx），它 39 秒 6 步完成，只点界面的 Qwen3.6-27B 用了 9 分 56 秒、39 步。
- 训练配方写得完整：五个阶段依次是 GUI 中期训练、GUI 智能体 SFT、编程 / 终端 SFT、混合 SFT、在线 GRPO 强化学习，一共合成了 293,806 个任务。官方称强化学习比混合 SFT 高 10.16 个百分点，输出 token 还少 25.4%。10 月 30 日建仓，此前各期没有收录。
用法
- 服务：用官方 Docker 镜像 xiaoyizhang/mage-vl-cowork:0.1.0（内含 SGLang 0.5.2），挂载权重目录就能起服务。也可以自己运行 python -m sglang.launch_server --model-path microsoft/Mage-VL-Cowork --trust-remote-code --context-length 32768 --tool-call-parser qwen25，并设 SGLANG_MAX_PIXELS=4000000，保留 1920×1080 截图的细节。
- 系统提示词必须原样用卡里的 MAGE_HYBRID_SYSTEM_PROMPT，里面定义了 computer_use 和 bash 两个工具，坐标归一化到 0–999。模型每一步输出 <think> 推理、一句 Action 和 <tool_call>；采样用 temperature 0.7、top_p 0.8、max_new_tokens 4096。
- 跑完整任务要接仓库 osworld_eval/ 里的 MAGEHybridAgent：保留最近 3 张截图，更早的步骤折叠成一句话摘要。用 Transformers 离线推理需要 transformers>=4.57.3，并开 trust_remote_code=True。
风险
- 它会执行任意 shell 命令和界面操作。官方要求只在隔离、可丢弃的容器或虚拟机里运行，不要挂载个人密钥、浏览器 cookie 或云端凭据，付款、登录之类不可逆的操作前要人工确认。
- 成绩都是官方自测，66.0 用的是自家 harness、两次运行取平均。网页任务 WebVoyager-Static 的 58.6 是 SFT 版的成绩，低于浏览器专用的 Fara1.5-4B（68.0）。卡里只有 Linux 桌面（OSWorld）的成绩。
- 架构是自定义的 llava_onevision2，必须开 trust_remote_code，不能当标准 Qwen3-VL 加载；推理窗口按 32K 训练。bf16 权重 9.48 GB，显存需求卡里没写；技术报告目前是 GitHub 上的 PDF。