微软开放Mage-VL-Cowork：4B视觉模型直接执行桌面与终端任务

Mage-VL-Cowork是微软发布的4B视觉语言动作策略，基于Mage-ViT视觉编码器与Qwen3-4B语言骨干。模型接收截图及文本，输出桌面操作或终端工具调用；参考环境提供点击、输入、滚动等computer_use动作及持久终端，无需另加外部规划器。 训练经过从任务专门化到能力统一的五个阶段，结合离线监督与在线强化学习。模型保留最近三张截图和四轮完整回复，较早动作折叠成紧凑历史，以支持长任务。官方在361个OSWorld任务、最多50步且排除Google Drive任务的两次评测中报告平均66.0%成功率；这一结果依赖其特定运行环境，不能直接推广为所有桌面任务准确率。 本次公开Apache 2.0模型权重、模型卡和OSWorld参考实现，固定首个Release提交包含两片BF16权重，共约9.48GB。运行时使用32,768 token活动窗口；架构配置的最大位置长度不等于实际评测窗口。部署者仍需提供隔离环境、屏幕与动作执行器，并审核重要操作。