Microsoft lança Mage-VL-Cowork, modelo de 4B que resolve 66,0% das tarefas do OSWorld-Verified

A Microsoft publicou no Hugging Face o Mage-VL-Cowork, um modelo aberto de 4 bilhões de parâmetros para agentes de desktop (CUA, sigla para agentes em que a IA trabalha sozinha no computador). No benchmark OSWorld-Verified, em que os agentes resolvem tarefas em sistemas operacionais reais, o modelo concluiu 66,0% das 361 tarefas reservadas para teste, com orçamento de 50 passos. Até agora, havia dois enfoques nessa área: um agente enxerga apenas screenshots e clica com o mouse; outro escreve código e edita arquivos diretamente. A Microsoft combinou os dois em um único modelo compacto, que escolhe o caminho a seguir em cada passo.

Dois canais de ação dentro de uma única política

O sistema não tem roteador externo. O próprio modelo define qual ferramenta é necessária em cada momento. Para layout visual, edições em canvas e trabalho com o estado ativo de um aplicativo, ele usa o canal computer_use: 11 primitivas de GUI e coordenadas normalizadas. Para edições estruturadas em planilhas e documentos, e também para verificar o resultado depois do trabalho, ele passa para o bash, um shell persistente com ambiente Python.

A lógica é clara. Alterar um xlsx com dezenas de cliques em menus é mais lento e frágil do que gravar o arquivo com openpyxl. Já um efeito visual numa imagem não dá para corrigir com script.

A pontuação de 66,0% no OSWorld-Verified é a média de duas execuções completas nas 361 tarefas reservadas. Na mesma tabela, o Qwen3.6-27B marcou 63,9% e o Muse Glimmer-30B, 65,9%. Já o ScaleCUA-Qwen3.5-9B alcançou 68,7%, ou seja, ficou acima. Por isso, não dá para afirmar que o modelo pequeno vence todos os concorrentes.

Como a Microsoft montou os dados de treinamento

A primeira observação diz respeito ao modelo professor. Um modelo forte com excesso de ferramentas adquire maus hábitos, que passam para o aluno na destilação. A Microsoft removeu canais redundantes, como xdotool e as pesadas árvores de acessibilidade, e instalou antecipadamente as bibliotecas Python necessárias. Com isso, o professor GPT-5.4 subiu para 92,0%, com 29,2% menos passos. O aluno treinado nessas trajetórias obteve 37,6%, contra 25,1% antes, um ganho de 12,5 pontos percentuais.

A segunda é a geração de tarefas. O pipeline Mage-CUA-Forge escreve uma única vez um workflow gerador para cada habilidade atômica, em vez de executar um loop aberto de agente para cada tarefa. O resultado foi um conjunto de 293 806 tarefas em 6 915 habilidades. O custo por tarefa caiu de 0,906 para 0,158 dólar, uma redução de 82,6%.

A terceira são as cinco etapas de treinamento. Primeiro, o modelo aprende separadamente a ancoragem visual em elementos (grounding), a execução em GUI e o trabalho com terminal. Depois, o Hybrid SFT ensina a alternar entre os canais. A última etapa é o GRPO online, com recompensa por um resultado verificável da tarefa. A qualidade sobe de 45,56% para 55,84% e, depois, para 66,0%. O RL online acrescentou 10,16 pontos percentuais e, ao mesmo tempo, reduziu o número médio de chamadas ao modelo de 21,57 para 18,77 e os tokens de saída de 7 374 para 5 499.

O contexto é organizado de forma assimétrica. Ficam nele os três últimos screenshots e as quatro respostas completas mais recentes, enquanto o histórico anterior é comprimido em resumos de Action de uma linha. A janela ativa é de 32K tokens. Os pesos em bf16 ocupam cerca de 9,48 GB, e a licença é Apache-2.0.

O que as equipes devem considerar

O impacto é maior para quem desenvolve assistentes corporativos. Se o seu agente imita um humano por padrão e clica em cada elemento da interface, agora existe um modelo baixável e reproduzível para comparação. Isso também muda a avaliação: não basta olhar a taxa de tarefas resolvidas, é preciso verificar tanto se o caminho escolhido faz sentido quanto se o arquivo final está correto.

As limitações também são relevantes. O número de 66,0% foi divulgado pelo próprio fornecedor, e a mesma tabela traz um modelo de 9B mais forte. A redução no número de chamadas e de tokens não garante que o usuário vá esperar menos: um script curto pode vir acompanhado de uma abertura lenta do aplicativo. Por fim, o treinamento em cinco etapas custou, segundo a empresa, 7,79 ZFLOPs em 32 GPUs B200. Um modelo pequeno economiza na inferência, mas não no custo de treinamento. Os pesos abertos e a receita permitem que equipes independentes reproduzam o resultado, e serão as novas execuções delas que mostrarão se os 66,0% se confirmam em condições idênticas.