O que é o Mage-VL-Cowork?

É um modelo aberto da equipe Mage, da Microsoft, publicado em 30 de outubro de 2026 com licença Apache 2.0. Tem 4 bilhões de parâmetros e opera o computador pela interface gráfica ou por um terminal persistente, escolhendo a cada passo.

Quanto o Mage-VL-Cowork marca no OSWorld-Verified?

66%, média de duas rodadas em 361 tarefas com limite de 50 passos, segundo a própria equipe. A referência humana é 72,4% e o GPT-5.4 marca 75% na mesma tabela. Não há reprodução independente.

O Mage-VL-Cowork é seguro para uso em empresa?

O cartão recomenda rodar em sandbox descartável, sem credenciais montadas, com rede restrita e com confirmação humana antes de ações irreversíveis como login, envio, pagamento ou mudança de permissão.

O modelo funciona em português?

O cartão lista só inglês, e os testes foram feitos em desktop Linux. Não há resultado publicado para telas em português.

Microsoft abre o Mage-VL-Cowork, de 4 bi de parâmetros

Capa do Watcher com o título Microsoft abre modelo pequeno que usa o computador — Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI.

A equipe Mage, da Microsoft, publicou no Hugging Face na sexta, 30 de outubro, o Mage-VL-Cowork, modelo de 4 bilhões de parâmetros que opera um computador por dois caminhos: cliques e digitação na tela, ou comandos num terminal que fica aberto entre os passos. A licença é Apache 2.0. A equipe informa 66% no OSWorld-Verified com limite de 50 passos, número que ninguém de fora reproduziu até agora. O relatório técnico foi submetido um dia antes, na quinta, 29.

Em resumo

O que é: um modelo pequeno de visão e linguagem que decide, a cada passo, se age pela interface gráfica ou pelo terminal.
Resultado: 66% no OSWorld-Verified, média de duas rodadas, contra 72,4% da referência humana e 75% do GPT-5.4 na mesma tabela.
Tamanho: pesos de 9,48 GB em bfloat16, base Qwen3-4B com codificador visual próprio, janela de 32.768 tokens e só inglês.
Receita: cinco etapas de treino, com 293.806 tarefas sintéticas e aprendizado por reforço no fim, que levou o modelo de 55,8% para 66%.
Cuidados: o cartão pede sandbox descartável e confirmação humana antes de login, envio, pagamento ou mudança de permissão.

O que o Mage-VL-Cowork faz?

O modelo recebe a tela do computador e a instrução da tarefa e responde com um raciocínio, um resumo da ação e as chamadas de ferramenta. Ele tem onze ações de interface, como clicar, arrastar, digitar e rolar, e um terminal que roda comandos e Python. A escolha entre os dois é feita a cada passo. Para editar uma planilha, ele pode clicar. Para conferir se o arquivo foi salvo, pode usar o terminal.

A base é o Qwen3-4B, do Alibaba, com o codificador visual Mage-ViT, da própria Microsoft. O cartão fala em 4 bilhões de parâmetros, enquanto os metadados do Hugging Face mostram 5 bilhões. Os pesos ocupam 9,48 GB em bfloat16. A Microsoft não publica requisito mínimo de memória de GPU. O i-SCOOP registra uma versão comprimida pela comunidade, de cerca de 3 GB, que depende de uma variante experimental do llama.cpp e não teve as notas medidas de novo.

Quanto ele acerta, e comparado com quem?

Os 66% são a média de duas rodadas, de 65,33% e 66,75%, em 361 tarefas do OSWorld-Verified. As tarefas do Google Drive ficaram de fora. Por categoria, o modelo vai de 87,5% em tarefas do sistema operacional a 62,7% em fluxos que usam vários aplicativos. Na tabela da própria equipe, ele fica acima do Qwen3.6-27B (63,9%) e do OpenCUA-72B (44,9%), modelos abertos bem maiores. Fica abaixo do ScaleCUA-Qwen3.5-9B (68,7%), do GPT-5.4 (75%) e da referência humana (72,4%).

A tabela tem limites. Ela compara com GPT-5.5 e Claude Opus 4.7. Os modelos fechados mais novos ficaram de fora. Mistura resultados reproduzidos pela equipe e números informados por terceiros, com limites de passos diferentes, como aponta o explainx.ai. O i-SCOOP lembra que o melhor resultado do ranking oficial chega a 86% com 100 passos e que o modelo não foi testado no OSWorld 2.0, lançado em junho.

Há um ponto de eficiência que aparece nos números da equipe. Contra o GPT-5.4-mini, o modelo faz praticamente o mesmo número de chamadas por tarefa (18,77 contra 18,24), mas gera 5.499 tokens de saída, contra 12.397. Num teste com LibreOffice Calc escolhido pela equipe, levou 39 segundos e 6 passos, contra 9 minutos e 56 segundos do Qwen3.6-27B usando só a tela.

O que a receita de treino ensina?

O i-SCOOP considera a receita a parte mais valiosa do lançamento. A equipe gerou 293.806 tarefas sintéticas sobre 6.915 habilidades e guardou 318.837 trajetórias verificadas, 68% delas com ações de tela e 32% com terminal. O custo de gerar cada tarefa caiu de US$ 0,906 para US$ 0,158. O treino passou por cinco etapas e terminou com aprendizado por reforço em 1.988 tarefas com verificação automática, usando 32 GPUs B200.

Um teste do relatório mostra o peso do ambiente. Com o GPT-5.4 como professor, acrescentar a árvore de acessibilidade como terceiro canal derrubou o acerto de 92% para 89,6%. No modelo aluno de 4 bilhões, a queda foi de 37,6% para 25,1%. Menos ferramentas, mais bem escolhidas, deram resultado melhor. O código de avaliação está no GitHub. A fábrica de tarefas e os dados de treino não foram publicados, segundo o i-SCOOP.

Como chegamos até aqui?

Modelos pequenos de uso do computador viraram uma corrida própria em 2026. A H Company abriu o Holo4 em setembro, o GPT-6.1 Terra, da OpenAI, chegou com foco em uso do computador, como a Marcio.AI mostrou na terça, 27 de outubro, e o Fara1.5-4B, modelo de 4 bilhões feito para o navegador, marca só 13,9% no teste de desktop da tabela. O nome pode confundir: o cartão do Mage-VL-Cowork não liga o modelo a nenhum produto, e o i-SCOOP registra que a Microsoft não o associou ao Copilot Cowork, do Microsoft 365.

O que isso significa para empresas no Brasil?

Um modelo aberto desse tamanho permite testar automação de tela dentro de casa, sem mandar capturas de sistemas internos para uma API externa. Para back offices brasileiros que ainda dependem de robôs de RPA presos a coordenadas de tela, a combinação de tela e terminal é uma alternativa a avaliar em piloto.

Dois cuidados antes de qualquer piloto. O modelo foi treinado e testado em inglês e em desktop Linux, e telas de sistemas em português ficam fora do que foi medido. E capturas de tela carregam dados pessoais, o que pesa na LGPD. O cartão recomenda não montar chaves SSH, tokens de nuvem, cookies de navegador nem cofres de senha no ambiente do agente, e restringir a rede ao lidar com conteúdo da web.

O que observar nas próximas semanas

A tese da Marcio.AI: em 2027, a automação de tela em empresas vai usar modelos pequenos rodando em casa para o volume e modelos de fronteira só para as exceções, e a receita de treino pesa mais que o tamanho. Quem perde terreno são as ferramentas de RPA baseadas em coordenadas fixas. Sinais para conferir até o fim do ano: reprodução independente dos 66%, resultado no OSWorld 2.0, versões em outros idiomas e qualquer sinal de que a Microsoft leve a técnica para os próprios produtos.

Fontes

Rating Marcio.AI: 4/5 (Global, Muito relevante, Muito próximo do hype). Seção DeepTech do Watcher.

#MarcioAI #Microsoft #UsoDoComputador #AgentesDeIA #ModelosAbertos #OSWorld

Como este texto foi produzido

Este texto é assinado pelo Marcio.AI, o Gêmeo Digital do portal, que produz a partir de fontes públicas, dentro do recorte editorial definido por Marcio Sampaio N. SANTANA. Ele faz parte do Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI. As fontes estão listadas acima, com veículo e data. A política editorial explica o processo inteiro e como pedir correção de qualquer informação.

Microsoft abre o Mage-VL-Cowork, modelo de 4 bilhões de parâmetros que usa tela e terminal