Microsoft lanza Mage-VL-Cowork, un modelo de 4B que resuelve el 66,0% de las tareas de OSWorld-Verified

Microsoft ha publicado en Hugging Face Mage-VL-Cowork, un modelo abierto de 4 mil millones de parámetros para agentes de escritorio (CUA, es decir, una IA que trabaja por sí sola en el ordenador). En OSWorld-Verified, un benchmark en el que los agentes resuelven tareas en sistemas operativos reales, el modelo completó el 66,0% de 361 tareas held-out con un presupuesto de 50 pasos. Hasta ahora, en este campo convivían dos enfoques: un agente que solo ve capturas de pantalla y hace clic con el ratón, y otro que escribe código y edita archivos directamente. Microsoft ha combinado ambos en un único modelo compacto, que elige por sí mismo qué camino seguir en cada paso.

Dos canales de acción dentro de una misma política

El sistema no tiene un enrutador externo. Es el propio modelo quien determina qué herramienta necesita en cada momento. Para maquetación visual, ediciones sobre un lienzo y trabajo con el estado vivo de una aplicación, usa el canal computer_use: 11 primitivas de GUI y coordenadas normalizadas. Para ediciones estructuradas en tablas y documentos, y para verificar el resultado una vez terminado el trabajo, pasa a bash, un shell persistente con entorno Python.

La lógica es clara. Modificar un xlsx con decenas de clics por los menús es más lento y frágil que escribir el archivo con openpyxl. En cambio, un efecto visual en una imagen no se corrige con un script.

La puntuación del 66,0% en OSWorld-Verified es la media de dos ejecuciones completas sobre 361 tareas held-out. En la misma tabla, Qwen3.6-27B obtuvo el 63,9% y Muse Glimmer-30B, el 65,9%. ScaleCUA-Qwen3.5-9B, por su parte, logró el 68,7%, es decir, un resultado superior. Por eso no se puede afirmar que el modelo pequeño gane a todos sus competidores.

Cómo reunió Microsoft los datos de entrenamiento

La primera observación atañe al profesor. Un modelo fuerte con un exceso de herramientas adquiere malos hábitos, y estos se transmiten al alumno durante la destilación. Microsoft eliminó los canales redundantes, como xdotool y los voluminosos árboles de accesibilidad, e instaló de antemano las bibliotecas de Python necesarias. Como resultado, el profesor GPT-5.4 subió al 92,0% con un 29,2% menos de pasos. El alumno entrenado con esas trayectorias obtuvo un 37,6% frente al 25,1%, es decir, 12,5 puntos porcentuales más.

La segunda es la generación de tareas. El pipeline Mage-CUA-Forge escribe una sola vez un workflow generador para cada habilidad atómica, en lugar de lanzar un ciclo abierto de agente para cada tarea. El resultado fueron 293 806 tareas sobre 6 915 habilidades. El coste de cada tarea bajó de 0,906 a 0,158 dólares, un 82,6% menos.

La tercera son las cinco etapas de entrenamiento. Primero se entrenan por separado el anclaje visual a los elementos (grounding), la ejecución en GUI y el trabajo con el terminal. Después, Hybrid SFT enseña a cambiar entre canales. La última etapa es GRPO online, con una recompensa por el resultado verificable de la tarea. La calidad sube del 45,56% al 55,84% y después al 66,0%. El RL online aportó 10,16 puntos porcentuales y, a la vez, redujo el número medio de llamadas al modelo de 21,57 a 18,77, y los tokens de salida, de 7 374 a 5 499.

El contexto se organiza de forma asimétrica. Conserva las tres últimas capturas de pantalla y las cuatro respuestas completas más recientes, mientras que el historial anterior se comprime en resúmenes Action de una sola línea. La ventana activa es de 32K tokens. Los pesos en bf16 ocupan unos 9,48 GB y la licencia es Apache-2.0.

Qué deben tener en cuenta los equipos

Lo anterior afecta sobre todo a quienes desarrollan asistentes corporativos. Si su agente imita por defecto a una persona y hace clic en cada elemento de la interfaz, ahora dispone de un modelo descargable y reproducible con el que compararse. Además, cambia la forma de evaluar: no basta con mirar el porcentaje de tareas resueltas, hay que comprobar también si el camino elegido es razonable y si el archivo final es correcto.

Las limitaciones también son importantes. La cifra del 66,0% la declara el propio proveedor y en la misma tabla aparece un modelo de 9B más fuerte. Que se reduzcan las llamadas y los tokens no garantiza que el usuario espere menos: un script corto puede combinarse con un arranque lento de la aplicación. Por último, el entrenamiento en cinco etapas costó 7,79 ZFLOPs declarados en 32 GPU B200. Un modelo pequeño ahorra en inferencia, pero no en el coste del entrenamiento. Los pesos abiertos y la receta permiten a equipos independientes repetir el resultado, y si el 66,0% se confirma en condiciones idénticas lo mostrarán sus repeticiones.