Microsoft 的 Mage-VL-Cowork：面向 GUI 与终端的 47 亿参数混合智能体

2026年10月30日，microsoft/Mage-VL-Cowork 模型在 HuggingFace 上发布，任务类型为 image-text-to-text。这是一个紧凑的视觉语言模型，经过训练，能够结合两种操作计算机的通道：基于截图的界面点击，以及通过终端执行代码。作者强调，模型会自行决定何时通过 GUI 操作、何时编写代码，无需外部编排器。

这意味着什么

该模型拥有 47 亿参数，权重以 safetensors 格式发布，占用 8.8 GB。许可证为 apache-2.0，可通过 transformers 按标准方式运行。平台上已有两个量化版本——GGUF 和 MLX；最小的可用版本在 Q4_K_M 量化下为 2.5 GB。这一体量可以装入大多数现代消费级 GPU 的显存。 作者将训练描述为从 Mage-VL 中间检查点开始的五阶段过程，使用包含 293 806 个任务的合成数据集。对于本地运行而言，真正有实用价值的是量化版本：8.8 GB 的完整权重需要可观的显存余量，而 2.5 GB 的 GGUF 版本则降低了入门门槛。更多本地 AI 工具动态——请见 CPU3D 动态。