新模型 2026-11-04

微软开源 40 亿参数「电脑操作员」:会点鼠标,也会敲命令

一句话说清:微软把一个小到能装进家用显卡的模型开源了——它看得懂屏幕,会自己点鼠标、填表、开软件,遇到繁琐的步骤还会直接敲一行命令解决。

发生了什么

微软 Mage 团队把 Mage-VL-Cowork 放上 Hugging Face,权重免费、Apache 2.0 协议,商用也可以。几个要点:

  • 个头很小:总参数 40 亿(语言底座用的是阿里通义 Qwen3-4B,视觉部分微软自研),支持 32K 上下文。
  • 两条手:一条是图形界面操作,看截图、点按钮、输文字;另一条是终端,直接跑命令和 Python。每一步用哪只手,模型自己选。训练数据里 68% 是点鼠标、32% 是敲命令。
  • 成绩:在 OSWorld-Verified(让 AI 真实操作一台电脑的测试)上拿到 66.0%,压过 300 亿参数的 Muse Glimmer(65.9%)和 270 亿的 Qwen3.6(63.9%),但低于人类基准 72.4%。
  • 能本地跑:BF16 权重约 9.48GB,建议 16GB 显存;社区 4bit 量化版约 3GB,8GB 显存能起步;苹果电脑有 MLX 版。

对我有什么用

  • 它说明「AI 替你操作电脑」这件事,不再是大公司服务器的专属能力,一台普通电脑就能跑,你的屏幕截图不用再上传到别人的云上。
  • 对每天做重复操作的人(整理文件、跨软件导数据、按固定流程点几十下)是个提醒:这类「手上的活」正在被小模型一点点接走。
  • 也别高估它:66% 意味着每三个任务还有一个干不成,它现在更像一个不要钱的实习生,不是一个能替你上班的同事。

我可以怎么做

① 想试的话,模型页是 microsoft/Mage-VL-Cowork,用官方推荐的 SGLang 启动,或者用社区 Docker 镜像; ② 苹果电脑装 mlx-vlm,跑 4bit 版本,16GB 统一内存就能玩; ③ 一定放在虚拟机或隔离环境里跑,别把常用账号、浏览器登录状态、密钥目录给它; ④ 先拿能验证结果的任务练手:整理一个文件夹、批量改图片尺寸,做完自己打开检查。

温馨提醒

它有一条终端通道,等于手里握着「管理员权限」。微软自己在模型卡里写得很硬:要在隔离容器或虚拟机里运行,不要挂载密钥、云平台凭据、浏览器 Cookie 和密码库;付款、登录、改权限这类不可逆操作必须人来点最后一下。网页上藏一句注入指令,在它眼里只是屏幕上多了几个像素,但它可能真的照着做。

📤 一键转发小助手 帮你写好小红书文案、微信推荐语,还配一张中文海报,复制就能发