Microsoft ปล่อย Mage-VL-Cowork โมเดล 4B คุมเดสก์ท็อปและเทอร์มินัลในตัวเดียว ได้ 66% บน OSWorld-Verified สัญญาอนุญาต Apache-2.0

Microsoft ปล่อย Mage-VL-Cowork เมื่อ 30 ต.ค. 2026 เป็นโมเดลภาพและภาษาขนาด 4B สัญญาอนุญาต Apache-2.0 ที่ทำงานบนคอมพิวเตอร์ได้สองช่องทางภายในนโยบายเดียว คือ computer_use สำหรับคลิกหน้าจอ และ bash สำหรับสั่งงานผ่านเชลล์ โดยไม่ต้องมีตัวจัดเส้นทางภายนอก

เรื่องนี้สำคัญเพราะ agent ที่ใช้แต่ภาพต้องจ่ายโทเคนหลายพันต่อภาพหน้าจอหนึ่งภาพ ขณะที่งานแก้สเปรดชีตหรือเอกสารทำผ่านโค้ดได้เร็วและตรวจสอบได้ง่ายกว่า Mage-VL-Cowork ฝึกให้โมเดลตัดสินใจเองในแต่ละเทิร์นว่าควรใช้ช่องทางไหน

ตัวเลขบน OSWorld-Verified

ทดสอบ 361 งาน (ไม่รวม Google Drive) จำกัด 50 ก้าว ผลรวม 66.0% เป็นค่าเฉลี่ยสองรอบ คือ 65.33% และ 66.75% ตัวเลขทั้งหมดมาจากการ์ดของผู้พัฒนา

โมเดล	ขนาด	คะแนนรวม
GPT-5.5	—	78.7
Claude Opus 4.7	—	78.0
ค่าอ้างอิงมนุษย์	—	72.4
ScaleCUA-Qwen3.5-9B	9B	68.7
Mage-VL-Cowork	4B	66.0
Muse Glimmer-30B	30B	65.9
Qwen3.6-27B	27B	63.9
Qwen3.5-9B	9B	41.8
Fara1.5-4B	4B	13.9

จุดแข็งคืองานระบบปฏิบัติการ 87.5% และงานข้ามหลายแอป 62.7% แต่จุดที่ควรอ่านละเอียดคือคำว่า “ดีที่สุดในขนาด 4B” เพราะคู่เทียบ 4B บนตารางนี้มีแค่ Fara1.5-4B ซึ่งเป็นโมเดลเฉพาะทางเบราว์เซอร์ และเมื่อเปลี่ยนมาวัดบน WebVoyager-Static Fara1.5-4B กลับชนะที่ 68.0% ต่อ 58.6% ของ Mage รุ่นก่อนขั้น RL

แถวของโมเดลปิดหลายแถวไม่ได้ระบุจำนวนก้าว บางแถวใช้ 100 ก้าว และตารางไม่มี Fable หรือ Opus 5.5 จึงควรมองว่าเป็นการจัดอันดับคร่าว ๆ ไม่ใช่การเทียบแบบคุมเงื่อนไขเดียวกันทุกแถว

สูตรการฝึกน่าสนใจกว่าตัวโมเดล

รายละเอียดที่เปิดเผยมีประโยชน์ต่อคนทำ agent โดยตรง

• ปรับ harness ของโมเดลครูก่อนเก็บข้อมูล ตัด xdotool กับ accessibility tree ที่ซ้ำซ้อนออก และติดตั้งไลบรารี Python ล่วงหน้า การ์ดระบุว่า GPT-5.4 ขึ้นถึง 92.0% ด้วยก้าวน้อยลง 29.2% และคะแนนของโมเดลนักเรียนเพิ่มจาก 25.1% เป็น 37.6%
• Mage-CUA-Forge สร้างงานฝึก 293,806 งานจาก 6,915 ทักษะ ด้วยการเขียน workflow ครั้งเดียวต่อทักษะ แทนการรัน agent ต่องาน โทเคนลดจาก 1,276K เหลือ 85K ต่องาน และต้นทุนจาก $0.906 เหลือ $0.158
• ฝึกห้าขั้น แยกทักษะก่อนรวม คะแนนจาก 45.56% ไปที่ 55.84% หลังฝึกรวม และ 66.0% หลัง Online RL ซึ่งยังลดจำนวนการเรียกโมเดลจาก 21.57 เหลือ 18.77 ครั้งต่องาน

ก่อนนำไปรัน

น้ำหนัก 9.48GB แบบ BF16 พารามิเตอร์ 4.74B ใช้ Qwen3-4B เป็นแกนภาษา กรอบบริบทตอนฝึกและรัน 32,768 โทเคน การ์ดกล่าวถึง on-device intelligence แต่ไม่มีคู่มือ GGUF หรือการ quantize วิธีที่แนะนำคือคอนเทนเนอร์ SGLang docker.io/xiaoyizhang/mage-vl-cowork:0.1.0 ซึ่งเผยแพร่ใต้ชื่อบัญชี xiaoyizhang ไม่ได้อยู่ใต้ชื่อ Microsoft จึงควรตรวจ image ก่อนใช้

Microsoft ระบุชัดว่าโมเดลนี้รันคำสั่งเชลล์ได้ตามอำเภอใจ จึงต้องรันในคอนเทนเนอร์หรือ VM ที่แยกขาด ไม่เมานต์คีย์ SSH หรือโทเคนคลาวด์ และจำกัดเครือข่ายขาออกเพื่อลดความเสี่ยง prompt injection

มุมมอง AI Curator

บทเรียนที่ใหญ่กว่าตัวโมเดลคือคุณภาพของ harness ถูกส่งต่อไปถึงโมเดลนักเรียน ตัวเลข +12.5 จุดจากการปรับ harness ของครูอย่างเดียวบอกว่าทีมที่ทำ distillation หรือ fine-tune จากบันทึก agent ควรแก้ harness ก่อนเก็บข้อมูล ไม่ใช่เก็บข้อมูลก่อนแล้วค่อยฝึก

สำหรับทีมไทย งานอย่างกรอกฟอร์มในระบบภายในหรือโปรแกรมบัญชีรุ่นเก่าเป็นกรณีที่โมเดล 4B เปิดแบบนี้น่าลอง เพราะข้อมูลอยู่ในองค์กรได้ แต่ต้องทดสอบภาษาไทยเอง ทั้งการอ่านหน้าจอและการป้อนข้อความ เพราะผลชุดนี้ไม่ได้บอกอะไรเรื่องภาษาไทย และคะแนน 66% ยังหมายความว่างานหนึ่งในสามไม่สำเร็จ ระบบจริงจึงต้องมีขั้นตรวจผลทุกครั้ง

แหล่งข่าว

• Mage-VL-Cowork — Hugging Face
• Mage-VL-Cowork — หน้าโปรเจกต์
• microsoft/Mage — GitHub