用过电脑操作类 agent 的应该都懂，改个表格它非要一格一格点过去，一张截图就吃掉几千 token，看着都着急。 微软前两天在 Hugging Face … · @Curingieul · TwKit

@Curingieul

用过电脑操作类 agent 的应该都懂，改个表格它非要一格一格点过去，一张截图就吃掉几千 token，看着都着急。 微软前两天在 Hugging Face 上放了个 4B 的 Mage-VL-Cowork，思路挺实在：同一个模型每一步自己判断，界面上的活就截图点鼠标，表格、文档、PPT 这种结构化的活直接切到终端写 Python 改，不用再外挂一个调度器。 官方自己测的 OSWorld-Verified 是 66.0%，50 步预算，4B 这个量级里最高。这两天中文圈也有不少人在转。 README 里我觉得比较有用的： 1. 操作系统类任务 87.5%，跨多个应用的工作流 62.7% 2. 在线强化学习之后比纯 SFT 多了 10 个点，模型调用次数和输出 token 反而还少了一截 3. 底座是 Qwen3-4B，bf16 权重 9.48GB，32K 上下文 4. 工作记忆只留最近 3 张截图，所以长任务不会越跑越肿 要求 transformers 4.57.3 以上，加载得开 trust_remote_code，官方推荐用他们打好的 SGLang Docker 镜像起服务，要 GPU。Apache-2.0，可以商用。 README 里专门写了，这东西能跑任意 shell 命令，一定要丢进隔离的容器或虚拟机，别挂自己的 SSH key 和浏览器 cookie。 https://huggingface.co/microsoft/Mage-VL-Cowork

曝光 16 · 评论 2 · 点赞 0 · 书签 0