Mage-VL-Cowork от Microsoft: гибридный агент для GUI и терминала на 4,7 млрд параметров

На HuggingFace 30 октября 2026 года опубликована модель microsoft/Mage-VL-Cowork с задачей image-text-to-text. Это компактная vision-language модель, обученная совмещать два канала работы с компьютером: клики по интерфейсу на основе скриншотов и выполнение кода через терминал. Авторы подчёркивают, что модель сама решает, когда действовать через GUI, а когда писать код, без внешнего оркестратора.

Что это значит

Модель насчитывает 4,7 млрд параметров, веса выложены в формате safetensors и занимают 8,8 ГБ. Лицензия — apache-2.0, запуск штатно через transformers. На площадке уже есть две квантованные сборки — GGUF и MLX; самая компактная рабочая версия весит 2,5 ГБ в квантовании Q4_K_M. Это уровень, который помещается в видеопамять большинства современных потребительских GPU. Автор описывает обучение как пятистадийный процесс от промежуточного чекпоинта Mage-VL, с синтетическим датасетом из 293 806 задач. Для локального запуска практический интерес представляют именно квантованные сборки: полные веса в 8,8 ГБ потребуют заметного запаса видеопамяти, тогда как 2,5-гигабайтная GGUF-версия снижает порог входа. Подробнее о новостях локальных ИИ-инструментов — в ленте CPU3D.