El agente de 4B Mage-VL-Cowork logra un 66,0% en OSWorld-Verified y supera a un modelo de 30B

El equipo de Mage ha presentado Mage-VL-Cowork, un agente de 4 mil millones de parámetros para trabajar con el ordenador. Ve el escritorio a través de capturas de pantalla, mueve el ratón y pulsa teclas. Cuando es necesario, en el mismo episodio también ejecuta código y comandos en la terminal. En OSWorld-Verified (un benchmark de tareas en aplicaciones de escritorio reales), con un límite de 50 pasos, logró un 66,0%. Es más que Muse Glimmer-30B (65,9%), Qwen3.6-27B (63,9%) y EvoCUA-32B (56,7%). El nivel humano en esta prueba es del 72,4%.

Un agente, dos canales de control

La interfaz gráfica es universal, pero cara: una sola captura puede costar miles de tokens, y una acción que se resuelve con un comando se convierte en decenas de clics. Una persona que domina el ordenador abre la terminal cuando es más rápido y comprueba el resultado en el archivo, no en el texto de la conversación. Mage-VL-Cowork elige el canal por sí mismo, dentro de una política única. Eso lo distingue de sistemas como CoAct-1, donde un orquestador reparte el trabajo entre un agente GUI y un agente programador independientes.

Tener acceso a las herramientas no garantiza saber usarlas. Incluso los modelos potentes, con la configuración estándar, eligen mal el canal: hacen clic donde bastaba una llamada a una biblioteca, o editan un archivo en disco aunque la aplicación en ejecución mantiene el estado en memoria y lo sobrescribirá al cerrarse. Si se destilan esas trayectorias, el alumno heredará los mismos hábitos.

Evolución del arnés en lugar de destilación directa

Los autores no copian el comportamiento del profesor tal como viene. Desarrollan su arnés (harness): el armazón, las interfaces de las herramientas, los prompts y el entorno de terminal. Un agente autor propone variantes y elige la configuración con mejor equilibrio entre éxito y coste en tareas de depuración. La evolución incluye también eliminar: se retiran las herramientas que se solapan o no encajan, para que el profesor genere trayectorias híbridas limpias.

El resultado son configuraciones especializadas: un arnés GUI, uno de terminal y uno híbrido. Las mismas tareas se ejecutan con varias de ellas, de modo que se recogen trayectorias con distinto énfasis.

Una fábrica de tareas y un entrenamiento en cinco etapas

Este entrenamiento exige miles de entornos variados. El pipeline Mage-CUA-Forge no construye cada tarea desde cero con un agente abierto: crea, para cada habilidad atómica, un flujo de trabajo reutilizable. Combina nodos LLM con preparadores de aplicaciones, que generan los artefactos de entrada, por ejemplo una hoja de Calc o un perfil de Thunderbird con el correo ya cargado.

A la salida se obtiene un paquete con la instrucción, el script de configuración del entorno y la rúbrica de evaluación, y unos nodos de verificación comprueban la coherencia antes de aceptar la tarea. Así se sintetizaron 293 806 tareas sobre 6 915 habilidades, y los costes recurrentes por tarea bajaron un 82,6%. Para el entrenamiento se reunieron 318 837 trayectorias del profesor, filtradas según la rúbrica mediante un juez LLM y por calidad.

El entrenamiento parte de un checkpoint general con alineamiento multimodal, no de un modelo que ya sepa trabajar con GUI, código y escenarios agénticos. Las cinco etapas son: midtraining de GUI, SFT con agentes GUI, SFT con código y terminal, SFT híbrido y RL en línea. La calidad sube por escalones: GUI SFT, 45,56%; SFT híbrido, 55,84%; RL final, 66,0%, es decir, 20,44 puntos porcentuales más. Los resultados del alumno también orientan la ampliación y el refinamiento de la taxonomía de habilidades entre rondas de generación.

Qué significa

Un modelo de 4 mil millones de parámetros ha logrado el mejor resultado entre los agentes abiertos de su tamaño y ha superado a modelos 7–8 veces mayores. Los autores lo atribuyen a la calidad del arnés del profesor y a la limpieza de los datos de entrenamiento, no al número de parámetros. Para los escenarios locales, es un argumento a favor de agentes compactos capaces de funcionar en el dispositivo del usuario con un menor coste de razonamiento.