概览
Mage-VL-Cowork 是微软 Mage 团队于 2026 年 10 月 30 日在 Hugging Face 开源的 4B 电脑操作（computer use）模型。它从中间版本的 Mage-VL-4B（自研视觉编码器 Mage-ViT + Qwen3-4B-Instruct-2507）出发，经过五阶段「先专项、后统一」课程训练，把基于截图的界面操作（computer_use，11 种 GUI 动作）和持久化终端 / 代码执行（bash）放进同一个视觉语言策略：画布编辑、实时界面状态走点击，表格、文档、幻灯片的结构化修改和结果核验走代码，不需要外部编排器。官方称在 OSWorld-Verified（361 题、50 步预算、两次全量平均）上取得 66.0%，为 4B 规模最高，其中操作系统类 87.5%、多应用工作流 62.7%；在可复现的离线网页基准 WebVoyager-Static 上 SFT 版本为 58.6%。在线强化学习比混合 SFT 再提升 10.16 个百分点，平均模型调用减少 13.0%、输出 token 减少 25.4%。训练数据来自团队的任务合成引擎 Mage-CUA-Forge：6,915 个原子技能生成 293,806 个任务，单任务合成成本降低 82.6%。模型约 4B 参数（bf16 约 9.48 GB），当前训练与推理上下文 32,768 tokens（架构最多支持 262,144），需 transformers 4.57.3 以上并开启 trust_remote_code。以上成绩均为官方技术报告与模型卡数据。官方来源：https://huggingface.co/microsoft/Mage-VL-Cowork 、https://microsoft.github.io/Mage/cowork/ 、https://github.com/microsoft/Mage （2026-10-31 核对）。 定价：开放权重（Apache 2.0），可免费自部署；官方未提供托管 API，输入 / 输出价留空。
- 模态
- 多模态
- 参数量
- 4B
- 许可说明
- 开源 · Apache 2.0
能力
- 电脑操作智能体（computer use）：看截图点击、输入、拖拽等 11 种 GUI 动作，同时可用持久化 bash / Python 终端改文件、做校验
- 单一 4B 视觉语言策略自主决定每一步走界面还是走代码，不需要外部编排器或多智能体路由
- OSWorld-Verified 66.0%（50 步预算、两次全量平均），官方称为 4B 级最高；操作系统类 87.5%、多应用工作流 62.7%
- 在线强化学习比混合 SFT 提升 10.16 个百分点，同时模型调用减少 13.0%、输出 token 减少 25.4%
- 开放权重可本地部署：Apache 2.0，bf16 约 9.48 GB，transformers ≥ 4.57.3（需 trust_remote_code），上下文 32,768 tokens
