微软开源 4B 电脑操作智能体 Mage-VL-Cowork：GUI 与终端混合，OSWorld-Verified 66.0%

这件事意味着什么

【要点】

微软 Mage 团队于 2026-10-30（UTC 12:13）在 Hugging Face 以 Apache-2.0 许可开源 Mage-VL-Cowork：一个仅 4B 参数的「混合式」电脑操作智能体（CUA）模型，同时用截图驱动的 GUI 操作（computer_use）和持久化终端/代码执行（bash）完成任务，无需外部多智能体编排器。

关键数字（官方模型卡/技术报告）：

- OSWorld-Verified（361 题、50 步预算、两次全量运行平均）66.0%，官方称为 4B 级最佳；其中操作系统类 87.5%、多应用工作流 62.7%。作为参照，表中人类基线 72.4%，GPT-5.4-mini 69.6%，开源 ScaleCUA-Qwen3.5-9B 68.7%，Meta Muse Glimmer-30B 65.9%，Qwen3.6-27B 63.9%。

- 底座：自研 Mage-ViT 视觉编码器 + Qwen3-4B-Instruct-2507；上下文 32K（架构支持 262K）；工作记忆只保留最近 3 张截图和 4 条完整回复，更早步骤折叠成一行动作摘要。

- 训练：五阶段「先专精后统一」课程（GUI 中期训练 → GUI 智能体 SFT → 代码/终端 SFT → 混合 SFT → 在线混合 RL/GRPO），名义算力约 7.79 ZFLOPs，使用 32 张 NVIDIA B200 和 1,120 个 CPU 沙箱槽位。在线 RL 比混合 SFT 再提高 10.16 个百分点，同时把每题调用次数从 21.57 降到 18.77、输出 token 减少 25.4%。

- 数据：先「进化」教师（GPT-5.4）所用的 harness（去掉 xdotool、无障碍树等重叠工具，预装领域 Python 库），教师成功率提升到 92.0%、步数减少 29.2%，学生因此多得 12.5 个百分点；任务合成流水线 Mage-CUA-Forge 把每题合成成本从 0.906 美元降到 0.158 美元。

【可核验】

模型卡：https://huggingface.co/microsoft/Mage-VL-Cowork

项目页：https://microsoft.github.io/Mage/cowork/

代码与技术报告：https://github.com/microsoft/Mage/tree/main/mage_vl_cowork

【我们的判断】

一、背景：电脑操作智能体今年正从「纯像素点击」走向「GUI + 终端混合」。纯截图路线每步要消耗数千 token，改表格、改文档这类结构化操作用鼠标做既慢又难验证；而让前沿大模型同时拿到 GUI 和终端工具，也不会自动学会何时该用哪个。Mage-VL-Cowork 的核心主张是把这种「通道选择」内化进单一小模型。巧的是，同一天 Google 在 Gemini API 更新日志中宣布 Computer Use 工具在 Interactions 与 GenerateContent API 上正式 GA——闭源 API 与开源小模型两条路线在同一天各进一步。

二、对照：在 OSWorld-Verified 上，4B 的 66.0% 已接近 GPT-5.4-mini（69.6%）和 9B 的 ScaleCUA（68.7%），并略高于 Meta 30B 的 Muse Glimmer（65.9%，站内 e/969）；但与模型卡列出的前沿闭源成绩（GPT-5.5 78.7%、Claude Opus 4.7 78.0%）及人类基线 72.4% 仍有明显差距。需要注意：表中不同模型的步数预算、harness 并不统一，部分数字为各家自报，横向比较只能看量级。真正有新意的是方法：先优化教师 harness 再蒸馏、按技能复用的合成流水线，把数据成本压低约八成——这对资源有限的开源团队比单一分数更有参考价值。

三、影响：4B、Apache-2.0、单卡可跑，意味着「本地/端侧电脑操作代理」的门槛进一步降低，企业可在不把截图发往云端的前提下做桌面自动化。风险同样不小：能执行 bash 的代理一旦遭提示注入，破坏面远大于只会点击的代理，而模型卡只建议在处理不可信网页时做网络白名单隔离，并未提供类似 Gemini Computer Use 的内置注入检测。后续值得关注：第三方能否复现 66.0%、是否推出更大尺寸版本，以及微软是否把它接入 Windows/Copilot 的本地代理能力。