مايكروسوفت تطلق Mage-VL-Cowork بحجم 4 مليارات معامل ويحل 66,0% من مهام OSWorld-Verified

نشرت Microsoft على Hugging Face نموذج Mage-VL-Cowork، وهو نموذج مفتوح بحجم 4 مليارات معامل لوكلاء سطح المكتب (CUA، أي حين يعمل الذكاء الاصطناعي على الحاسوب بنفسه). وفي اختبار OSWorld-Verified، الذي يحل فيه الوكلاء مهام داخل أنظمة تشغيل حقيقية، أنجز النموذج 66,0% من 361 مهمة محجوزة للاختبار ضمن ميزانية 50 خطوة. وحتى الآن تعايش في هذا المجال نهجان: وكيل يرى لقطات الشاشة فقط وينقر بالفأرة، ووكيل آخر يكتب الشيفرة ويعدّل الملفات مباشرة. جمعت Microsoft النهجين في نموذج واحد مدمج، ويختار النموذج بنفسه في كل خطوة الطريق الذي يسلكه.

قناتا عمل داخل سياسة واحدة

لا يوجد موجّه خارجي في النظام. يحدد النموذج بنفسه الأداة المطلوبة في اللحظة الراهنة. ويستخدم قناة computer_use، التي تضم 11 عنصرًا أوليًا لواجهة GUI وإحداثيات مطبّعة، للتخطيط البصري والتعديل على اللوحة والعمل مع الحالة الحية للتطبيق. أما التعديلات المنظّمة في الجداول والمستندات، والتحقق من النتيجة بعد انتهاء العمل، فينتقل لها إلى bash، وهو shell دائم مع بيئة Python.

المنطق واضح. تعديل ملف xlsx عبر عشرات النقرات في القوائم أبطأ وأكثر هشاشة من كتابة الملف عبر openpyxl. في المقابل، لا يمكن تصحيح التأثير البصري في الصورة بسكربت.

جاء تقييم 66,0% في OSWorld-Verified كمتوسط لتشغيلين كاملين على 361 مهمة محجوزة للاختبار. وفي الجدول نفسه سجّل Qwen3.6-27B نسبة 63,9%، وMuse Glimmer-30B نسبة 65,9%. لكن ScaleCUA-Qwen3.5-9B حقق 68,7%، أي أعلى. لذلك لا يصح الحديث عن فوز النموذج الصغير على جميع منافسيه.

كيف جمعت Microsoft بيانات التدريب

الملاحظة الأولى تخص المعلّم. فالنموذج القوي المزوّد بمجموعة أدوات زائدة يكتسب عادات سيئة، وتنتقل هذه العادات إلى الطالب عند التقطير. أزالت Microsoft القنوات المكررة مثل xdotool وأشجار إمكانية الوصول الضخمة، وثبّتت مسبقًا مكتبات Python اللازمة. ونتيجة لذلك ارتفع أداء المعلّم GPT-5.4 إلى 92,0% مع انخفاض عدد الخطوات بنسبة 29,2%. أما الطالب المدرَّب على هذه المسارات فحصل على 37,6% مقابل 25,1%، أي بزيادة 12,5 نقطة مئوية.

الثانية هي توليد المهام. يكتب خط الإنتاج Mage-CUA-Forge مرة واحدة workflow توليديًا لكل مهارة ذرّية، بدلًا من تشغيل حلقة وكيل مفتوحة لكل مهمة. وأسفر ذلك عن 293 806 مهام موزعة على 6 915 مهارة. وانخفضت تكلفة المهمة الواحدة من 0,906 إلى 0,158 دولار، أي بنسبة 82,6%.

الثالثة هي مراحل التدريب الخمس. تُدرَّب أولًا كلٌّ على حدة مهارات الربط البصري بالعناصر (grounding) وتنفيذ GUI والعمل مع الطرفية، ثم يعلّم Hybrid SFT النموذج التبديل بين القناتين. والمرحلة الأخيرة هي GRPO عبر الإنترنت بمكافأة على نتيجة المهمة القابلة للتحقق. وترتفع الجودة من 45,56% إلى 55,84% ثم إلى 66,0%. وأضاف التعلم المعزز عبر الإنترنت 10,16 نقطة مئوية، وخفّض في الوقت نفسه متوسط عدد استدعاءات النموذج من 21,57 إلى 18,77، والرموز الناتجة من 7 374 إلى 5 499.

السياق منظَّم بصورة غير متماثلة. تبقى فيه آخر ثلاث لقطات شاشة وأربع إجابات كاملة، بينما يُضغط التاريخ الأقدم إلى ملخصات Action من سطر واحد. والنافذة النشطة 32K رمز. وتشغل الأوزان بصيغة bf16 نحو 9,48 غيغابايت، والترخيص Apache-2.0.

ما الذي ينبغي أن تراعيه الفرق

يمس هذا الأمر بدرجة أكبر من يبنون مساعدين للشركات. إذا كان وكيلكم يحاكي الإنسان افتراضيًا وينقر على كل عنصر في الواجهة، فلديكم الآن نموذج قابل للتنزيل وإعادة الإنتاج للمقارنة. ويتغير معه أسلوب التقييم: لا يكفي النظر إلى نسبة المهام المحلولة، بل يجب التحقق أيضًا من معقولية المسار المختار وصحة الملف النهائي.

والقيود جوهرية كذلك. فرقم 66,0% أعلنته الجهة المطوِّرة نفسها، وفي الجدول نفسه نموذج 9B أقوى. كما أن انخفاض عدد الاستدعاءات والرموز لا يضمن أن ينتظر المستخدم وقتًا أقل، فقد يقترن السكربت القصير ببدء تشغيل بطيء للتطبيق. وأخيرًا، كلّف التدريب على خمس مراحل 7,79 ZFLOPs المعلنة على 32 وحدة GPU من طراز B200. فالنموذج الصغير يوفّر في الاستدلال لا في تكاليف التدريب. وتتيح الأوزان المفتوحة والوصفة للفرق المستقلة تكرار النتيجة، أما تأكيد 66,0% في ظروف متطابقة فستكشفه إعادة تشغيلها للاختبارات.