4B-агент Mage-VL-Cowork набрал 66,0% в OSWorld-Verified и обошёл 30B-модель

Команда Mage представила Mage-VL-Cowork — агента для работы с компьютером на 4 млрд параметров. Он видит рабочий стол через скриншоты, двигает мышь и нажимает клавиши, а при необходимости в том же эпизоде запускает код и команды в терминале. На OSWorld-Verified (бенчмарк задач в реальных desktop-приложениях) при лимите 50 шагов он набрал 66,0%. Это выше, чем у Muse Glimmer-30B (65,9%), Qwen3.6-27B (63,9%) и EvoCUA-32B (56,7%). Уровень человека на этом тесте — 72,4%.

Один агент, два канала управления

Графический интерфейс универсален, но дорог: один скриншот может обходиться в тысячи токенов, а действие, которое выполняется одной командой, превращается в десятки кликов. Человек, уверенно работающий с компьютером, открывает терминал, когда так быстрее, и проверяет результат по файлу, а не по тексту диалога. Mage-VL-Cowork выбирает канал сам, внутри единой политики. Этим он отличается от систем вроде CoAct-1, где оркестратор распределяет работу между отдельным GUI-агентом и агентом-кодером.

Простой доступ к инструментам не гарантирует умения ими пользоваться. Даже сильные модели при стандартной настройке плохо выбирают канал: кликают там, где хватило бы вызова библиотеки, или правят файл на диске, хотя запущенное приложение держит состояние в памяти и перезапишет его при выходе. Если дистиллировать такие траектории, ученик унаследует те же привычки.

Эволюция обвязки вместо прямой дистилляции

Авторы не копируют поведение учителя по умолчанию. Они развивают его обвязку (harness): каркас, интерфейсы инструментов, промпты и терминальное окружение. Агент-автор предлагает варианты и выбирает конфигурацию с лучшим балансом успеха и стоимости на отладочных задачах. Эволюция включает и удаление: пересекающиеся или неподходящие инструменты убирают, чтобы учитель оставлял чистые гибридные траектории.

В итоге получаются специализированные конфигурации — GUI-обвязка, терминальная и гибридная. Одни и те же задачи прогоняют через несколько из них, собирая траектории с разным акцентом.

Фабрика задач и пятиэтапное обучение

Для такого обучения нужны тысячи разнообразных сред. Конвейер Mage-CUA-Forge не строит каждую задачу с нуля открытым агентом, а создаёт для каждого атомарного навыка многоразовый рабочий процесс. Он сочетает LLM-узлы и препараторы приложений, которые готовят входные артефакты, например таблицу Calc или профиль Thunderbird с наполненной почтой. На выходе получается пакет из инструкции, скрипта настройки среды и рубрики оценки, а проверочные узлы контролируют согласованность до принятия задачи. Так синтезировано 293 806 задач по 6 915 навыкам, а повторяющиеся затраты на задачу снижены на 82,6%. Для обучения собрано 318 837 траекторий учителя, которые отфильтровали по рубрике с помощью LLM-судьи и по качеству.

Обучение стартует с общей мультимодально выровненной контрольной точки, а не с модели, уже умеющей работать с GUI, кодом и агентными сценариями. Пять этапов: GUI-мидтренинг, SFT на GUI-агентах, SFT на коде и терминале, гибридный SFT и онлайн-RL. Качество растёт ступенями: GUI SFT — 45,56%, гибридный SFT — 55,84%, финальный RL — 66,0%, то есть плюс 20,44 процентного пункта. Результаты ученика также направляют расширение и уточнение таксономии навыков между раундами генерации.

Что это значит

Модель с 4 млрд параметров достигла лучшего результата среди открытых агентов своего размера и обошла модели, которые крупнее в 7–8 раз. Авторы связывают это с качеством обвязки учителя и чистотой обучающих данных, а не с числом параметров. Для локальных сценариев это аргумент в пользу компактных агентов, способных работать на устройстве пользователя при меньшей стоимости рассуждений.