Mage-VL-Cowork: гибридный агент 4B
Компактная 4B VLM-модель, объединяющая GUI- и bash-инструменты для автономного управления компьютером без внешнего оркестратора.
privacy
Эта заметка участвует в semantic memory.
AI Summary
🚀 TL;DR: Microsoft представила Mage-VL-Cowork — единую 4B vision-language модель, которая внутри одного чекпоинта динамически выбирает между GUI-действиями (computer_use) и терминальными командами (bash), достигая 66.0 % на OSWorld-Verified. 🔑 Ключевые факты: (а) пятиэтапный curriculum «specialize-then-unify» даёт +20.44 п.п.; (б) эволюция harness учителя даёт +12.5 п.п. студенту; (в) Mage-CUA-Forge снижает стоимость синтеза задач на 82.6 %; (г) Online Hybrid RL добавляет +10.16 п.п. и сокращает вызовы модели на 13 %, токены — на 25.4 %. 📌 Важные детали: 293 806 задач, 318 837 траекторий; asymmetric sliding window (3 скриншота + 4 ответа); 7.79 ZFLOPs; модель microsoft/Mage-VL-Cowork (llava_onevision2, 32k контекст); Apache-2.0. 💡 Вывод и значение: для воспроизведения нужно trust_remote_code=True, SGLang-контейнер и MAGEHybridAgent; модель готова к on-device использованию и уже обгоняет все 4B-бейзлайны.