¿Qué es Mage-VL-Cowork?
Mage-VL-Cowork es un agente de uso del ordenador de 4.000 millones de parámetros del equipo Mage de Microsoft, publicado en Hugging Face el 30 de octubre de 2026 con licencia Apache 2.0 y un informe técnico. Mira capturas de pantalla y actúa sobre un escritorio Linux por dos canales: una herramienta computer_use con 11 acciones de ratón y teclado, y una herramienta bash con un shell persistente y un entorno de Python. El modelo decide en cada turno cuál usar, sin un enrutador aparte.
Está construido sobre Mage-VL, el modelo de visión y lenguaje de 4B de Microsoft, que combina el codificador propio Mage-ViT con Qwen3-4B-Instruct-2507 de Alibaba. El entrenamiento tuvo cinco fases, desde el anclaje en pantalla y el ajuste fino de interfaz gráfica y programación hasta el aprendizaje por refuerzo en línea con 1.988 tareas verificables, usando 32 GPU Nvidia B200. Gran parte de los datos de entrenamiento salió de un modelo maestro GPT-5.4 cuyo conjunto de herramientas se recortó antes; quitar el canal del árbol de accesibilidad subió al alumno de 4B del 25,1% al 37,6% en las tareas reservadas de Microsoft.
Cada turno devuelve un bloque de razonamiento, un resumen de la acción en una línea y llamadas a herramientas. El agente conserva las 3 capturas más recientes y resume los pasos anteriores en una línea cada uno para no salirse de una ventana de 32.768 tokens. El repositorio de GitHub de Microsoft dice que los modelos Mage se publican solo con fines de investigación.
¿Merece la pena Mage-VL-Cowork?
Mage-VL-Cowork demuestra que un modelo de 4B puede hacer trabajo serio de escritorio cuando se le permite escribir código además de hacer clic. En OSWorld-Verified, con la media de dos ejecuciones de 361 tareas y un presupuesto de 50 pasos, obtiene un 66,0%, frente al 65,9% comunicado para Muse Glimmer-30B, el 63,9% de Qwen3.6-27B y el 13,9% de Fara1.5-4B, centrado en el navegador. La referencia humana es del 72,4%. Es más fuerte en tareas del sistema operativo, con un 87,5%, y más débil en flujos de trabajo con varias aplicaciones, con un 62,7%.
La comparación requiere cuidado. Microsoft evaluó su propio modelo; la mayoría de las cifras de los rivales se copiaron de sus informes con distintos presupuestos de pasos, y el modelo no está en la clasificación oficial de OSWorld. ScaleCUA-Qwen3.5-9B, con aproximadamente el doble de tamaño, puntúa más alto, con un 68,7%, y los modelos punteros como GPT-5.5 con un 78,7% y Claude Opus 4.7 con un 78,0% siguen muy por delante.
El canal híbrido es lo que lo hace eficiente. En la demostración de Microsoft con LibreOffice Calc combinó celdas, añadió un gráfico y guardó el archivo en 6 pasos y 39 segundos editando el libro con Python, mientras que Qwen3.6-27B, solo con interfaz gráfica, necesitó 39 pasos y 9 minutos y 56 segundos. Tras el aprendizaje por refuerzo hizo de media 18,77 llamadas al modelo y 5.499 tokens de salida por tarea, frente a 12.397 tokens de GPT-5.4-mini. En tareas web domina menos: un checkpoint anterior obtuvo un 58,6% en WebVoyager-Static frente al 68,0% de Fara1.5-4B, que solo usa el navegador.
Las condiciones de uso importan más que la puntuación. Apache 2.0 permite el uso comercial, pero el repositorio de Microsoft dice que los modelos no están pensados para desplegarse en productos o servicios, y la ficha insiste en usar un sandbox desechable porque el agente ejecuta comandos de shell arbitrarios. El ejemplo directo de SGLang además escucha en todas las interfaces de red. Las pruebas cubrieron escritorios Ubuntu solo en inglés, y la única versión cuantizada es trabajo de la comunidad que el llama.cpp estándar aún no puede cargar.
Dónde se gana su sitio
Un investigador aplicado en un laboratorio universitario que crea agentes de escritorio
Reproducir y ampliar un pequeño agente de uso del ordenador en OSWorld
Usa el MAGEHybridAgent incluido y el entorno de OSWorld del repositorio de GitHub de Microsoft con la configuración publicada: 50 pasos, 3 capturas conservadas, resolución de 1920 por 1080, temperatura 0.7. La receta de entrenamiento completa está documentada, pero la fábrica de tareas, el código de entrenamiento y los datos no son públicos.
Una ingeniera de automatización en una empresa financiera de 300 personas con equipos de administración en Linux
Hacer un prototipo de agente que actualice hojas de cálculo e informes
Ejecútalo en máquinas virtuales que se restauran desde una instantánea, sin acceso a credenciales ni a la red interna, como aconseja la ficha, y deja que edite archivos .xlsx y .pptx con Python en el shell. La declaración de Microsoft de que es solo para investigación implica que un despliegue en producción necesita antes una revisión legal.
Un desarrollador con una GPU de portátil de 16 GB que prueba agentes locales
Ejecutar un agente de escritorio sin una API en la nube
Los pesos oficiales en BF16 ocupan 9,48 GB, y un GGUF Q4_K_M de la comunidad ocupa 2,716 GB más un proyector visual de 0,353 GB. Esa versión necesita un fork de llama.cpp, porque el llama.cpp estándar, Ollama y LM Studio no pueden cargar su proyector.
Antes de decidirte
- Puesta en marcha
- Descarga la imagen de Docker que documenta Microsoft (SGLang 0.5.2, PyTorch 2.8.0, Transformers 5.7.0) y monta los pesos, o lanza SGLang con trust_remote_code, un contexto de 32.768 tokens y SGLANG_MAX_PIXELS=4000000. Usa literalmente el prompt de sistema híbrido de la ficha.
- Integraciones
- El endpoint nativo /generate de SGLang con capturas en base64, Transformers con el código del modelo llava_onevision2 incluido y el entorno MAGEHybridAgent para OSWorld. No es compatible directamente con las clases estándar de Qwen3-VL.
- Datos y privacidad
- Solo autoalojado. Apache 2.0, pero la nota de IA responsable de Microsoft dice que es solo para investigación, con datos de entrenamiento de fuentes públicas, con licencia e internas. La ficha exige sandboxes aislados, ninguna credencial montada y listas de red permitidas contra la inyección de prompts.
- Coste a escala
- Los pesos en BF16 ocupan 9,48 GB y un cálculo de ModelFit sitúa una caché completa de 32K tokens en unos 4,8 GB, así que en una GPU de 24 GB caben ambos. Microsoft no publica un hardware mínimo; en sus pruebas cada tarea promedió 18,77 llamadas al modelo y 5.499 tokens de salida.
- Límites
- Ventana de trabajo de 32.768 tokens con 3 capturas, de unos 2.000 tokens cada una a 1920 por 1080 según la estimación de ModelFit. Hasta 15 llamadas a herramientas por turno; solo Linux e inglés; el ejemplo directo de SGLang escucha en 0.0.0.0, mientras que el ejemplo de Docker lo hace en 127.0.0.1.
Lo bueno
- 66,0% en OSWorld-Verified con 4B, por encima de Qwen3.6-27B (cifra propia)
- Elige en cada turno entre acciones de interfaz gráfica y un shell bash
- 18,77 llamadas al modelo y 5.499 tokens de salida por tarea tras el RL
- Pesos Apache 2.0 con una receta de entrenamiento detallada y un entorno de pruebas para OSWorld
Lo malo
- Microsoft dice que es para investigación, no para desplegar en productos
- Probado solo en escritorios Ubuntu en inglés
- Por detrás de ScaleCUA-Qwen3.5-9B y de los modelos punteros en OSWorld
- Ejecuta comandos de shell arbitrarios; necesita un sandbox y una configuración de red cuidadosa
Ideal para
Investigadores y equipos de plataformas de agentes que estudian pequeños agentes de uso del ordenador en Linux y pueden ejecutarlos en sandboxes desechables.
Alternativas a Mage-VL-Cowork
Mage-VL-Cowork: preguntas frecuentes
- ¿Merece la pena Mage-VL-Cowork?
- Mage-VL-Cowork deja a un modelo de 4B a pocos puntos de los mejores agentes de escritorio abiertos al permitirle recurrir a un terminal, pero Microsoft lo etiqueta como solo para investigación y solo se ha probado en Linux. Le damos un 3.9 sobre 5.
- ¿Cuánto cuesta Mage-VL-Cowork?
- Gratuito con licencia Apache 2.0, aunque el repositorio de Microsoft dice que los modelos Mage son para investigación y no están pensados para desplegarse en productos o servicios. Sin API alojada.
- ¿Qué inconvenientes tiene Mage-VL-Cowork?
- Microsoft dice que es para investigación, no para desplegar en productos; probado solo en escritorios Ubuntu en inglés; por detrás de ScaleCUA-Qwen3.5-9B y de los modelos punteros en OSWorld; ejecuta comandos de shell arbitrarios; necesita un sandbox y una configuración de red cuidadosa.
- ¿Para quién es Mage-VL-Cowork?
- Investigadores y equipos de plataformas de agentes que estudian pequeños agentes de uso del ordenador en Linux y pueden ejecutarlos en sandboxes desechables.
- ¿Cuánto cuesta Mage-VL-Cowork para un equipo o en producción?
- Los pesos en BF16 ocupan 9,48 GB y un cálculo de ModelFit sitúa una caché completa de 32K tokens en unos 4,8 GB, así que en una GPU de 24 GB caben ambos. Microsoft no publica un hardware mínimo; en sus pruebas cada tarea promedió 18,77 llamadas al modelo y 5.499 tokens de salida.
- ¿Es Mage-VL-Cowork seguro para los datos de la empresa?
- Solo autoalojado. Apache 2.0, pero la nota de IA responsable de Microsoft dice que es solo para investigación, con datos de entrenamiento de fuentes públicas, con licencia e internas. La ficha exige sandboxes aislados, ninguna credencial montada y listas de red permitidas contra la inyección de prompts.
- ¿Cuáles son las mejores alternativas a Mage-VL-Cowork?
- Las alternativas más cercanas que hemos analizado son Muse Glimmer, Qwen3.8-27B, MiniCPM-V 4.7 (35B-A3B and 1B) y Nemotron 3.5 Super VL.
Respuestas comprobadas el 2 nov 2026.