微软刚开源了一个只有 4B 参数的电脑操作 Agent：Mage-VL-Cowork。它在 OSWorld-Verified 基准上拿到 66%，离人类水平的 72.4% 已经不远，还打赢了规模近 6 倍的 Qwen3.6-27B（63.9%）。
它的打法是混合决策：自己判断什么时候像人一样点 GUI、什么时候直接敲终端命令，单一策略同时掌握点击、拖拽和 bash，不用再外挂一个调度器。电子表格这类任务，它 39 秒就能跑完，而大模型点上 10 分钟还不一定做完。
体量也很友好：整个模型约 9.5GB，Mac mini 就能本地跑，截图不出本地，隐私有保障。基于 Mage-ViT + Qwen3-4B，32K 上下文，在线强化学习后模型调用少 13%、输出 token 少 25.4%，Apache 2.0 协议可商用，训练配方和评估全部开源。
上手步骤：从 Hugging Face 下载 microsoft/Mage-VL-Cowork，安装依赖 pip install “transformers>=4.57.3” accelerate pillow torch torchvision qwen-vl-utils（推荐 SGLang 或 Docker），加载时加 trust_remote_code=True，用官方混合系统提示词，输入屏幕截图加任务，模型输出结构化行动，循环执行直到完成，50 步预算内效果最佳。
项目地址：
正文完