モデル・開発

Mage-VL-Cowork：進化したハーネスからハイブリッドコンピュータ利用を学ぶ完全な学習レシピ

原題: Mage-VL-Cowork: A Full Training Recipe to Learn Hybrid Computer Use from Evolved Harnesses

重要オープンウェイトMicrosoft

4BモデルがGUIと端末を1つのポリシーで操作

Microsoftは日本時間2026年10月30日21時13分、Mage-VL-Coworkのモデルウェイト、コード、学習レシピを公開しました。

4Bパラメータの視覚言語モデルで、画面上のGUI操作を行うcomputer_useと、コードやファイルを扱う永続的なbashを1つのポリシーで使い分けます。

外部の複数エージェント用ルーターを使わず、スクリーンショット、マウス、キーボード、端末を状況に応じて選択します。

基盤はMicrosoftのMage-VL中間checkpointで、GUI、端末、両者の統合、オンライン強化学習を含む5段階の学習手順を公開しています。

モデルカードは32,768 tokenを実運用時のcontext長とし、直近3枚のスクリーンショットと4件の完全な応答を保持する非対称memoryを説明しています。

ウェイトは2つのsafetensors shard、約9.48GBのbfloat16として配布され、ライセンスはApache-2.0です。

TransformersとSGLangによる実行手順があり、独自のllava_onevision2実装を読み込むためtrust_remote_code=Trueが必要です。

学習データ生成基盤Mage-CUA-Forgeと、GUI・端末を組み合わせるagent codeも公式GitHubで公開されています。

MicrosoftはOSWorld-Verifiedで66.0%などの結果を示していますが、これは提供元の評価です。独立評価として確認された数値ではありません。

今回の公開により、研究者と開発者は4B規模のハイブリッドcomputer-use modelを取得し、自己環境で検証できます。