微软开源 Mage-VL-Cowork：47 亿参数的电脑操作模型，OSWorld 拿 66.0%，自家表里 9B 开源模型高它 2.7 分 (2026)

北京时间 10 月 30 日 20:14，微软 Mage 团队把 Mage-VL-Cowork 的权重传上 Hugging Face。1

模型 47.4 亿参数，BF16 下两个分片共 9.48 GB，Apache-2.0 许可。1

官方给它的主成绩是 OSWorld-Verified 上的 66.0%。1

这个基准把真实 Linux 桌面里的任务交给智能体，从打开文件到改完表格都算一次端到端操作。2

这次没有配套新闻稿。发布走的是模型仓、GitHub 代码目录、项目页，外加一份 30 页的技术报告。3

它值得看的地方有两处：一个 4B 模型把「点鼠标」和「敲命令」放进同一个策略（policy）里；权重和评测脚本一起放了出来。

快速核对

项目	情况
模型性质	视觉语言模型，输入截图与文字指令，输出鼠标键盘动作或终端命令 1
参数与体积	4,741,793,792 参数，BF16 两个分片共 9.48 GB 1
上下文	训练与推理实际使用 32,768 tokens，架构上限 262,144 1
动作空间	`computer_use` 的 11 个界面动作，加一个持久的 `bash` 终端 1
主成绩	OSWorld-Verified 66.0%，361 题、50 步预算、两次运行平均 1
许可	Apache-2.0，可商用、可修改、可再分发 1
接口与价格	官方未提供托管接口与定价，只能自建 1
截稿时状态	权重、复现套件、技术报告均已放出 4

想立刻接进产品的人，这周拿不到能调用的接口，排期不必为它改动。

愿意自己跑的人，现在就能下载权重。官方也给了 OSWorld-Verified 的复现套件，可以按 361 题、50 步自己重跑一遍。4

只关心行业动向的人，可以等两个信号：OSWorld 官方 Results 区是否收录它，以及报告之外会不会补上安全评测。2

66.0% 是怎么算出来的

OSWorld 一共有 369 道题，其中 8 道依赖 Google Drive 的题官方允许排除，剩下的 361 道是常用口径。2

官方站现在把最新版本指向 OSWorld 2.0，这份 66.0% 用的是 2025 年 7 月定版的 OSWorld-Verified。2

Mage-VL-Cowork 就在这 361 题上评测：每题最多 50 步，截图按 1920×1080 送入，采样温度 0.7。1

66.0% 由两次完整跑分取平均得到，第一次 65.33%，第二次 66.75%。1

这 1.4 个百分点的区间后面会反复用到：对手和它差不到 1.4 分时，谁高谁低取决于跑了哪一次。

同榜的位置

OSWorld-Verified 总分与参数规模散点图 — 微软 Mage 团队项目页的总分–规模对照图：蓝星是 Mage-VL-Cowork-4B 的 66.0，水平虚线是人类 72.4，右侧灰带是不公布参数量的闭源模型。3

模型	参数量	步数预算	总分	分数来源
ScaleCUA-Qwen3.5-9B	9B	50	68.7	各自报告 5
Mage-VL-Cowork	4.7B	50	66.0	本方复跑 5
Muse Glimmer-30B	30B	未列	65.9	各自报告 5
Qwen3.6-27B	27B	未列	63.9	各自报告 5
GPT-5.4-mini	未公布	50	69.6	本方复跑 5
GPT-5.5	未公布	未列	78.7	各自报告 5
Fara1.5-4B	4B	50	13.9	各自报告 5
人类	—	—	72.4	基准方给出 5

「4B 档最强」这句话在这张表里站得住：同为 4B 的 Fara1.5-4B 只有 13.9%，差了 52 个百分点。5

压力来自参数不到它两倍的那一档：ScaleCUA-Qwen3.5-9B 拿到 68.7%，比它高 2.7 分。5

分项上两边各占一头：它的操作系统任务 87.5%、多应用工作流 62.7%，两项都是表里最高。5

办公 64.9% 与专业软件 66.3% 则落在 ScaleCUA 的 70.6% 和 89.5% 之后。5

30B 的 Muse Glimmer 是 65.9%，与它只差 0.1 分，落在两次运行区间之内。5

表里唯一由微软自己复跑的外部模型是 GPT-5.4-mini。5

同样 361 题、同样 50 步，它拿到 69.6%，比 Mage-VL-Cowork 高 3.6 分。5

其余对手的数字来自各家自己的报告，脚手架、步数预算、截图分辨率未必一致，横向差距要按这个前提读。

它是怎么练出来的

Mage-VL-Cowork 训练与数据合成流程 — 项目页的方法图：上方是教师脚手架的变异、评测与筛选，右上是每个技能只写一次的生成工作流，下方是从技能库采样任务、跑出轨迹、再进入 SFT 的链路。3

起点是今年 7 月的 Mage-VL 4B，一个为图像与视频理解训练的多模态模型。6

从它到 Cowork 中间有五个阶段：界面中训、界面智能体 SFT、编码与终端 SFT、混合 SFT、在线强化学习。1

这里的脚手架（harness）指包在模型外面的执行框架，决定工具怎么暴露、上下文怎么截断、失败怎么重试。

数据由自建的 Mage-CUA-Forge 合成：29.38 万个任务、6,915 个原子技能、31.9 万条保留下来的混合轨迹。5

其中 38.24% 的任务跨多个应用。5

教师模型是 GPT-5.4，生成任务用 gpt-5.6-terra。5

构造方式从「每个任务跑一遍智能体」换成「每个技能复用一个工作流」，单任务合成成本从 0.906 美元降到 0.158 美元。5

报告里最能复用的一条结论是：先改脚手架。5

教师模型不变，去掉无障碍树和 xdotool 这类重复通道后，教师从 89.6% 升到 92.0%。5

同一批轨迹训出来的 4B 学生，成功率从 25.1% 升到 37.6%，走完任务所需步数也少了 21.5%。5

分数是这样往上走的：界面 SFT 45.56%，混合 SFT 55.84%，在线 RL 66.04%。1

在线 RL 用 GRPO 加可验证奖励，比混合 SFT 高 10.16 分。1

同时每任务调用次数从 21.57 压到 18.77，输出 token 从 7,374 压到 5,499。1

训练算力 7.79 ZFLOPs。5

参考部署是 32 张 B200（24 张训练、8 张推理）加 70 台 CPU 主机，并行开 1,120 个桌面沙箱。5

一个模型里的两个通道

computer_use 有 11 个动作：点击、双击、三击、移动、拖拽、输入、按键、滚动、等待、截图、结束。坐标归一化到 0–999。1

bash 在 /tmp_workspace 里执行命令与 Python，返回合并后的输出文本，不占用截图额度。1

每回合输出三段：<think> 里的推理、一句 Action: 摘要、一个或多个 tool_call，单回合最多 15 个调用。1

上下文靠非对称滑窗省下来：只保留最近 3 张截图和 4 条完整回复，更早的回合压成一行 Action 摘要。5

官方用两组同机对照说明收益。3

LibreOffice Calc 合并两段表头、加柱状图、另存 xlsx，4B 走 Python 用 39 秒 6 步。3

Qwen3.6-27B 纯界面操作用了 9 分 56 秒、39 步。3

GIMP 去底色、缩放到 280×210、存分层的 xcf，4B 在 1 分 58 秒内 15 步完成并通过文件校验。3

对手跑到 7 分 02 秒、29 步，存出来的文件没过校验。3

省 token 的幅度有独立对照。5

每任务 5,499 个输出 token，GPT-5.4-mini 是 12,397 个；调用次数则是 18.77 对 18.24。5

自己跑要什么

官方只给了一条推理路线：SGLang。仓库附了预装好的 docker 镜像和启动参数，上下文设 32768。1

启动时还要把 SGLANG_MAX_PIXELS 设成 4,000,000，否则 1920×1080 的桌面细节会被压掉。1

报告和模型卡都没有写单卡显存要求，也没有给首 token 延迟与吞吐。1

前面那 32 张 B200 服务于训练与 rollout 采样，报告没有把它写成推理门槛。5

浏览器任务另有一组：WebVoyager-Static 把 15 个网站复刻到本地，连数据库状态一起校验。5

它的 SFT 版本在这个基准上拿到 58.6%（377/643 题）。5

这个成绩在表里排第二，落后浏览器专精的 Fara1.5-4B（68.0%），高过 Qwen3-VL-8B-Thinking 的 53.7%。5

安全与许可

Apache-2.0 意味着可以商用、可以改、可以再分发，也意味着出了问题由部署方承担。1

模型卡没有越狱、提示注入、权限越界这类安全评测数字，给出的是一组部署要求。1

要求都很具体：在隔离容器或可回滚的虚拟机里跑，不可逆操作要人工确认，不挂个人密钥与浏览器 cookie，限制出网范围。1

原因不难理解：bash 通道能执行任意命令，而这些命令会改动真实文件。1

还有一条容易忽略的限制：模型卡把语言标为 en，官方评测的任务指令也都在英文界面里。1

该不该试

第一类是要在离线或私有环境里做桌面自动化的团队。权重能下载、许可能商用、361 题的复现套件也放了，这条路是通的。

判断依据自己跑一遍就够。官方两次运行的起点是 65.33%，本地复跑若落在 55% 上下，说明任务分布差得远，先看哪一类分项掉得最多。

第二类是已经在用云端 CUA 的团队。同样 361 题、同样 50 步，GPT-5.4-mini 是 69.6%，比它高 3.6 分。

这个差距要放进成本结构里读：一边是按 token 付费的托管接口，一边是自己出机器。

任务集中在表格、文档、演示文稿的团队，重点看两个分项。5

它办公 64.9%、专业软件 66.3%，都低于 ScaleCUA 的 70.6% 和 89.5%。5

第三类是关注端侧的团队。官方把它称作端侧智能的进展，实际交付的是 9.48 GB 的 BF16 权重加一条服务端推理路线。

社区在权重上传八个多小时后放出了第三方 GGUF 量化版本，作者是社区用户。7

还没有的数字

速度与延迟：报告只给调用次数和 token 数，没给单步耗时、首 token 与吞吐。

安全评测：越狱成功率、提示注入抵抗、危险命令拦截，一项都没有。

接口与价格：官方未提供托管服务与定价，成本取决于自建机器。

第三方复跑：Artificial Analysis 的模型榜、OpenRouter 的模型目录里都查不到它。8 9

OSWorld 官方 Results 区同样未见条目。2

推理生态：除 SGLang 之外，vLLM、llama.cpp、MLX 的官方支持都还没有出现。

数据构成：报告给了任务数与技能数，没有给训练语料的来源比例与语言分布。

References

1
microsoft/Mage-VL-Cowork
huggingface.co
2
OSWorld 官方页
os-world.github.io
3
Mage-VL-Cowork 项目页
microsoft.github.io
4
GitHub 代码目录
github.com
5
Mage-VL-Cowork 技术报告
github.com
6
microsoft/Mage-VL
huggingface.co
7
Hansda/Mage-VL-Cowork-GGUF
huggingface.co
8
Artificial Analysis LLM 榜单
artificialanalysis.ai
9
OpenRouter 模型目录
openrouter.ai

北京时间 10 月 30 日 20:14，微软 Mage 团队把 Mage-VL-Cowork 的权重传上 Hugging Face。1

模型 47.4 亿参数，BF16 下两个分片共 9.48 GB，Apache-2.0 许可。1

官方给它的主成绩是 OSWorld-Verified 上的 66.0%。1

这个基准把真实 Linux 桌面里的任务交给智能体，从打开文件到改完表格都算一次端到端操作。2

这次没有配套新闻稿。发布走的是模型仓、GitHub 代码目录、项目页，外加一份 30 页的技术报告。3

它值得看的地方有两处：一个 4B 模型把「点鼠标」和「敲命令」放进同一个策略（policy）里；权重和评测脚本一起放了出来。

快速核对

项目	情况
模型性质	视觉语言模型，输入截图与文字指令，输出鼠标键盘动作或终端命令 1
参数与体积	4,741,793,792 参数，BF16 两个分片共 9.48 GB 1
上下文	训练与推理实际使用 32,768 tokens，架构上限 262,144 1
动作空间	`computer_use` 的 11 个界面动作，加一个持久的 `bash` 终端 1
主成绩	OSWorld-Verified 66.0%，361 题、50 步预算、两次运行平均 1
许可	Apache-2.0，可商用、可修改、可再分发 1
接口与价格	官方未提供托管接口与定价，只能自建 1
截稿时状态	权重、复现套件、技术报告均已放出 4

想立刻接进产品的人，这周拿不到能调用的接口，排期不必为它改动。

愿意自己跑的人，现在就能下载权重。官方也给了 OSWorld-Verified 的复现套件，可以按 361 题、50 步自己重跑一遍。4

只关心行业动向的人，可以等两个信号：OSWorld 官方 Results 区是否收录它，以及报告之外会不会补上安全评测。2

66.0% 是怎么算出来的

OSWorld 一共有 369 道题，其中 8 道依赖 Google Drive 的题官方允许排除，剩下的 361 道是常用口径。2

官方站现在把最新版本指向 OSWorld 2.0，这份 66.0% 用的是 2025 年 7 月定版的 OSWorld-Verified。2

Mage-VL-Cowork 就在这 361 题上评测：每题最多 50 步，截图按 1920×1080 送入，采样温度 0.7。1

66.0% 由两次完整跑分取平均得到，第一次 65.33%，第二次 66.75%。1

这 1.4 个百分点的区间后面会反复用到：对手和它差不到 1.4 分时，谁高谁低取决于跑了哪一次。

同榜的位置

模型	参数量	步数预算	总分	分数来源
ScaleCUA-Qwen3.5-9B	9B	50	68.7	各自报告 5
Mage-VL-Cowork	4.7B	50	66.0	本方复跑 5
Muse Glimmer-30B	30B	未列	65.9	各自报告 5
Qwen3.6-27B	27B	未列	63.9	各自报告 5
GPT-5.4-mini	未公布	50	69.6	本方复跑 5
GPT-5.5	未公布	未列	78.7	各自报告 5
Fara1.5-4B	4B	50	13.9	各自报告 5
人类	—	—	72.4	基准方给出 5

「4B 档最强」这句话在这张表里站得住：同为 4B 的 Fara1.5-4B 只有 13.9%，差了 52 个百分点。5

压力来自参数不到它两倍的那一档：ScaleCUA-Qwen3.5-9B 拿到 68.7%，比它高 2.7 分。5

分项上两边各占一头：它的操作系统任务 87.5%、多应用工作流 62.7%，两项都是表里最高。5

办公 64.9% 与专业软件 66.3% 则落在 ScaleCUA 的 70.6% 和 89.5% 之后。5

30B 的 Muse Glimmer 是 65.9%，与它只差 0.1 分，落在两次运行区间之内。5

表里唯一由微软自己复跑的外部模型是 GPT-5.4-mini。5

同样 361 题、同样 50 步，它拿到 69.6%，比 Mage-VL-Cowork 高 3.6 分。5

其余对手的数字来自各家自己的报告，脚手架、步数预算、截图分辨率未必一致，横向差距要按这个前提读。

它是怎么练出来的

起点是今年 7 月的 Mage-VL 4B，一个为图像与视频理解训练的多模态模型。6

从它到 Cowork 中间有五个阶段：界面中训、界面智能体 SFT、编码与终端 SFT、混合 SFT、在线强化学习。1

这里的脚手架（harness）指包在模型外面的执行框架，决定工具怎么暴露、上下文怎么截断、失败怎么重试。

数据由自建的 Mage-CUA-Forge 合成：29.38 万个任务、6,915 个原子技能、31.9 万条保留下来的混合轨迹。5

其中 38.24% 的任务跨多个应用。5

教师模型是 GPT-5.4，生成任务用 gpt-5.6-terra。5

构造方式从「每个任务跑一遍智能体」换成「每个技能复用一个工作流」，单任务合成成本从 0.906 美元降到 0.158 美元。5

报告里最能复用的一条结论是：先改脚手架。5

教师模型不变，去掉无障碍树和 xdotool 这类重复通道后，教师从 89.6% 升到 92.0%。5

同一批轨迹训出来的 4B 学生，成功率从 25.1% 升到 37.6%，走完任务所需步数也少了 21.5%。5

分数是这样往上走的：界面 SFT 45.56%，混合 SFT 55.84%，在线 RL 66.04%。1

在线 RL 用 GRPO 加可验证奖励，比混合 SFT 高 10.16 分。1

同时每任务调用次数从 21.57 压到 18.77，输出 token 从 7,374 压到 5,499。1

训练算力 7.79 ZFLOPs。5

参考部署是 32 张 B200（24 张训练、8 张推理）加 70 台 CPU 主机，并行开 1,120 个桌面沙箱。5

一个模型里的两个通道

computer_use 有 11 个动作：点击、双击、三击、移动、拖拽、输入、按键、滚动、等待、截图、结束。坐标归一化到 0–999。1

bash 在 /tmp_workspace 里执行命令与 Python，返回合并后的输出文本，不占用截图额度。1

每回合输出三段：<think> 里的推理、一句 Action: 摘要、一个或多个 tool_call，单回合最多 15 个调用。1

上下文靠非对称滑窗省下来：只保留最近 3 张截图和 4 条完整回复，更早的回合压成一行 Action 摘要。5

官方用两组同机对照说明收益。3

LibreOffice Calc 合并两段表头、加柱状图、另存 xlsx，4B 走 Python 用 39 秒 6 步。3

Qwen3.6-27B 纯界面操作用了 9 分 56 秒、39 步。3

GIMP 去底色、缩放到 280×210、存分层的 xcf，4B 在 1 分 58 秒内 15 步完成并通过文件校验。3

对手跑到 7 分 02 秒、29 步，存出来的文件没过校验。3

省 token 的幅度有独立对照。5

每任务 5,499 个输出 token，GPT-5.4-mini 是 12,397 个；调用次数则是 18.77 对 18.24。5

自己跑要什么

官方只给了一条推理路线：SGLang。仓库附了预装好的 docker 镜像和启动参数，上下文设 32768。1

启动时还要把 SGLANG_MAX_PIXELS 设成 4,000,000，否则 1920×1080 的桌面细节会被压掉。1

报告和模型卡都没有写单卡显存要求，也没有给首 token 延迟与吞吐。1

前面那 32 张 B200 服务于训练与 rollout 采样，报告没有把它写成推理门槛。5

浏览器任务另有一组：WebVoyager-Static 把 15 个网站复刻到本地，连数据库状态一起校验。5

它的 SFT 版本在这个基准上拿到 58.6%（377/643 题）。5

这个成绩在表里排第二，落后浏览器专精的 Fara1.5-4B（68.0%），高过 Qwen3-VL-8B-Thinking 的 53.7%。5

安全与许可

Apache-2.0 意味着可以商用、可以改、可以再分发，也意味着出了问题由部署方承担。1

模型卡没有越狱、提示注入、权限越界这类安全评测数字，给出的是一组部署要求。1

要求都很具体：在隔离容器或可回滚的虚拟机里跑，不可逆操作要人工确认，不挂个人密钥与浏览器 cookie，限制出网范围。1

原因不难理解：bash 通道能执行任意命令，而这些命令会改动真实文件。1

还有一条容易忽略的限制：模型卡把语言标为 en，官方评测的任务指令也都在英文界面里。1

该不该试

第一类是要在离线或私有环境里做桌面自动化的团队。权重能下载、许可能商用、361 题的复现套件也放了，这条路是通的。

判断依据自己跑一遍就够。官方两次运行的起点是 65.33%，本地复跑若落在 55% 上下，说明任务分布差得远，先看哪一类分项掉得最多。

第二类是已经在用云端 CUA 的团队。同样 361 题、同样 50 步，GPT-5.4-mini 是 69.6%，比它高 3.6 分。

这个差距要放进成本结构里读：一边是按 token 付费的托管接口，一边是自己出机器。

任务集中在表格、文档、演示文稿的团队，重点看两个分项。5

它办公 64.9%、专业软件 66.3%，都低于 ScaleCUA 的 70.6% 和 89.5%。5

第三类是关注端侧的团队。官方把它称作端侧智能的进展，实际交付的是 9.48 GB 的 BF16 权重加一条服务端推理路线。

社区在权重上传八个多小时后放出了第三方 GGUF 量化版本，作者是社区用户。7

还没有的数字

速度与延迟：报告只给调用次数和 token 数，没给单步耗时、首 token 与吞吐。

安全评测：越狱成功率、提示注入抵抗、危险命令拦截，一项都没有。

接口与价格：官方未提供托管服务与定价，成本取决于自建机器。

第三方复跑：Artificial Analysis 的模型榜、OpenRouter 的模型目录里都查不到它。8 9

OSWorld 官方 Results 区同样未见条目。2

推理生态：除 SGLang 之外，vLLM、llama.cpp、MLX 的官方支持都还没有出现。

数据构成：报告给了任务数与技能数，没有给训练语料的来源比例与语言分布。

References

1
microsoft/Mage-VL-Cowork
huggingface.co
2
OSWorld 官方页
os-world.github.io
3
Mage-VL-Cowork 项目页
microsoft.github.io
4
GitHub 代码目录
github.com
5
Mage-VL-Cowork 技术报告
github.com
6
microsoft/Mage-VL
huggingface.co
7
Hansda/Mage-VL-Cowork-GGUF
huggingface.co
8
Artificial Analysis LLM 榜单
artificialanalysis.ai
9
OpenRouter 模型目录
openrouter.ai

微软开源 Mage-VL-Cowork：47 亿参数的电脑操作模型，OSWorld 拿 66.0%，自家表里 9B 开源模型高它 2.7 分

快速核对

66.0% 是怎么算出来的

同榜的位置

它是怎么练出来的

一个模型里的两个通道

自己跑要什么

安全与许可

该不该试

还没有的数字

References

Related content

微软开源 Mage-VL-Cowork：47 亿参数的电脑操作模型，OSWorld 拿 66.0%，自家表里 9B 开源模型高它 2.7 分

快速核对

66.0% 是怎么算出来的

同榜的位置

它是怎么练出来的

一个模型里的两个通道

自己跑要什么

安全与许可

该不该试

还没有的数字

References

Related content