الوكيل Mage-VL-Cowork بحجم 4B يحقق 66.0% في OSWorld-Verified ويتفوق على نموذج بحجم 30B

قدّم فريق Mage الوكيل Mage-VL-Cowork، وهو وكيل لتشغيل الحاسوب بحجم 4 مليارات معامل. يرى الوكيل سطح المكتب عبر لقطات الشاشة، ويحرّك الفأرة ويضغط المفاتيح، وعند الحاجة يشغّل الشيفرة والأوامر في الطرفية ضمن الحلقة نفسها. وفي OSWorld-Verified (اختبار معياري لمهام في تطبيقات سطح مكتب حقيقية) وبحد أقصى 50 خطوة، حقق 66.0%. وهذه النتيجة أعلى من نتائج Muse Glimmer-30B (65.9%) وQwen3.6-27B (63.9%) وEvoCUA-32B (56.7%). ويبلغ مستوى الإنسان في هذا الاختبار 72.4%.

وكيل واحد وقناتا تحكم

الواجهة الرسومية عامة الاستخدام لكنها مكلفة: فقد تكلّف لقطة شاشة واحدة آلاف الرموز (tokens)، ويتحول إجراء يكفي له أمر واحد إلى عشرات النقرات. أما المستخدم المتمرس فيفتح الطرفية حين يكون ذلك أسرع، ويتحقق من النتيجة في الملف نفسه لا في نص الحوار. يختار Mage-VL-Cowork القناة بنفسه ضمن سياسة (policy) واحدة موحدة. وهذا ما يميزه عن أنظمة مثل CoAct-1، حيث يوزّع منسّق (orchestrator) العمل بين وكيل واجهة رسومية منفصل ووكيل مبرمج.

لكن إتاحة الأدوات لا تضمن إتقان استخدامها. فحتى النماذج القوية تخطئ في اختيار القناة عند الإعداد القياسي: تنقر حيث كان يكفي استدعاء مكتبة، أو تعدّل ملفًا على القرص مع أن التطبيق العامل يحتفظ بالحالة في الذاكرة وسيعيد الكتابة فوقها عند الإغلاق. وإذا جرى تقطير (distillation) مسارات كهذه، فسيرث الطالب العادات نفسها.

تطوير إطار التشغيل بدل التقطير المباشر

لا ينسخ المؤلفون سلوك المعلّم كما هو. بل يطوّرون إطار تشغيله (harness)، أي الهيكل وواجهات الأدوات والتعليمات (prompts) وبيئة الطرفية. يقترح وكيل مؤلِّف عدة خيارات، ثم يختار الإعداد الذي يحقق أفضل توازن بين النجاح والتكلفة على مهام التصحيح. ويشمل التطوير الحذف أيضًا: إذ تُزال الأدوات المتداخلة أو غير المناسبة، ليُنتج المعلّم مسارات هجينة نظيفة.

والنتيجة إعدادات متخصصة: إطار تشغيل للواجهة الرسومية، وآخر للطرفية، وثالث هجين. وتُمرَّر المهام نفسها عبر عدة إعدادات منها، فتُجمع مسارات بتركيز مختلف.

مصنع المهام والتدريب على خمس مراحل

يحتاج هذا التدريب إلى آلاف البيئات المتنوعة. ولا يبني خط الإنتاج Mage-CUA-Forge كل مهمة من الصفر بوكيل مفتوح، بل ينشئ لكل مهارة ذرية سير عمل قابلًا لإعادة الاستخدام. ويجمع هذا السير بين عقد LLM ومُحضِّرات التطبيقات التي تجهّز المواد المدخلة، مثل جدول Calc أو ملف تعريف Thunderbird ببريد مملوء. والناتج حزمة تضم التعليمات وسكربت إعداد البيئة ومعيار التقييم (rubric)، بينما تتحقق عقد الفحص من الاتساق قبل قبول المهمة. وبهذه الطريقة جرى تركيب 293 806 مهمة على 6 915 مهارة، وانخفضت التكاليف المتكررة للمهمة بنسبة 82.6%. وللتدريب جُمع 318 837 مسارًا للمعلّم، رُشِّحت وفق معيار التقييم بمساعدة LLM كمُقيِّم (LLM-judge) وحسب الجودة.

يبدأ التدريب من نقطة تحقق (checkpoint) عامة متعددة الوسائط ومحاذاة، لا من نموذج يجيد أصلًا التعامل مع الواجهات الرسومية والشيفرة والسيناريوهات الوكيلية. والمراحل الخمس هي: التدريب المتوسط على الواجهات الرسومية (GUI mid-training)، وSFT على وكلاء الواجهة الرسومية، وSFT على الشيفرة والطرفية، وSFT هجين، وRL عبر الإنترنت (online RL). وترتفع الجودة على مراحل: GUI SFT — 45.56%، وSFT الهجين — 55.84%، وRL النهائي — 66.0%، أي بزيادة 20.44 نقطة مئوية. كما تُستخدم نتائج الطالب لتوجيه توسيع تصنيف المهارات وتدقيقه بين جولات التوليد.

ماذا يعني ذلك

حقق نموذج بحجم 4 مليارات معامل أفضل نتيجة بين الوكلاء المفتوحة من حجمه، وتفوق على نماذج أكبر منه بـ7–8 مرات. ويربط المؤلفون ذلك بجودة إطار تشغيل المعلّم ونقاء بيانات التدريب، لا بعدد المعاملات. وفي السيناريوهات المحلية، تدعم هذه النتيجة الاعتماد على وكلاء مدمجة قادرة على العمل على جهاز المستخدم بتكلفة استدلال أقل.