先把数字读对

Mage-VL-Cowork 在 OSWorld-Verified 的 361 个留出任务上，50 步预算、1920×1080 桌面、排除 Google Drive，两次独立完整评测分别 65.33% 和 66.75%，平均 66.04%。同一张表里，Muse Glimmer-30B 是 65.9%，Qwen3.6-27B 是 63.9%，EvoCUA-32B 是 56.7%，OpenCUA-72B 是 44.9%，同尺寸的 Fara1.5-4B 只有 13.9%。这不是「4B 全面超过 30B」，而是在这个基准、这个步数预算下，4B 追平了更大的开源 agent。

模型本身是混合架构：视觉编码器加 Qwen3-4B 骨干，上下文 32,768 token，支持 GUI 的 11 种基本操作和持久 shell / Python 环境，输出带推理、动作摘要和工具调用。权重 9.48GB（bfloat16），Apache-2.0，单张消费级显卡可以跑。

训练方法比参数更值得看

团队没有直接从通用多模态模型做 SFT，而是走了五段式课程：GUI 中间训练、GUI agent SFT、编码与终端 SFT、混合 CUA SFT、在线混合强化学习。配套的 Mage-CUA-Forge 用可复用的「技能条件生成工作流」和应用 preparer，合成了 293,806 个桌面与网页任务、覆盖 6,915 个技能，保留 318,837 条混合轨迹。官方称单任务生成成本从 0.906 美元降到 0.158 美元，token 消耗降 93.3%。

在线 RL 相对混合 SFT 提升 10.16 个百分点，同时把平均模型调用次数降 13.0%、输出 token 降 25.4%。这条比「66%」更有用：它不是靠更多步数堆出来的，而是用更少的调用拿到更高的完成率。对做产品的人来说，步数和 token 就是延迟和成本。

对端侧 agent 的三点启发

  • 环境是护城河：谁能低成本生成「真实应用 + 可验证结果」的任务，谁就能把小模型训起来；公开 benchmark 只是验收，不是训练数据。
  • 混合通道是方向：纯 GUI 在批量操作上慢，纯 CLI 在只支持图形界面的应用上无能为力；让模型自己选「点」还是「写脚本」，比二选一更实用。
  • 端侧可行但要算账：4B 权重约 9.5GB，32K 上下文，50 步预算；手机或轻薄本要评估显存、发热和每任务延迟，别只看参数量。

别直接照搬的三个理由

第一，评测是厂商自测，虽然给了两次运行和置信区间，仍不是第三方复现；第二，50 步预算和 1920×1080 分辨率是特定口径，真实桌面更乱、弹窗更多；第三，Apache-2.0 只解决许可，不解决安全——一个能点任意按钮、执行 shell 的 agent，必须加权限分级、敏感操作确认和审计日志。把它放进生产前，先在自己的三个流程上跑一周，记录失败类型，再决定是否值得替换现有方案。

4B 追平 30B 的故事，重点不在 4B，而在那 29 万个可验证的任务。