แท็ก
5 บทความ
Mage-VL-Cowork ขนาด 4B ของ Microsoft เลือกเองว่าจะคลิกหน้าจอหรือสั่ง bash ทำคะแนน OSWorld-Verified 66.0% ใกล้ค่าอ้างอิงมนุษย์ 72.4% ในตารางเดียวกัน แต่คำว่าดีที่สุดในขนาด 4B มีคู่เทียบบนตารางนี้แค่รุ่นเดียว
H Company จากฝรั่งเศสเปิดตัว Holo4 เมื่อ 28 ก.ย. เป็นโมเดลเอเจนต์ที่คลิกหน้าจอ เขียนโค้ด และเรียก MCP/API ได้ในตัวเดียว มีสองขนาดคือ 27B dense (ต่อยอด Qwen3.8-27B) กับ 35B-A3B MoE พร้อม GGUF 4-bit ตัว 27B ได้ OSWorld 2.0 61.7% ที่ $1.22 ต่องาน แต่น้ำหนักเป็น CC BY-NC 4.0 ห้ามใช้เชิงพาณิชย์ ส่วนตัว 35B-A3B ที่อ่อนกว่ามาก (30.9%) กลับเป็น Apache-2.0
CUA-Lite รวมแซนด์บ็อกซ์ ชุดข้อมูล การประเมิน SFT และ RL ของเอเจนต์คุมคอมพิวเตอร์ไว้ใน action space และสคีมาเดียว จุดขายจริงคือ Lite.OSWorld ที่ยกงาน OSWorld ทั้ง 369 ข้อออกจาก VM มาไว้ใน Docker — ใช้แรม 0.9 GB แทน 4.1 GB และรันขนานได้ราว 4.6 เท่า แต่รีโปยังไม่มีไฟล์ LICENSE และคำว่า any agent ครอบคลุมแค่ตอน eval
ทีม DreamX ของ Alibaba เผยแพร่ LongHorizon-Harness (arXiv 3 ส.ค.) พร้อมโค้ด MIT บน GitHub วันนี้ — แยก task state ออกนอก context, ให้ executor รันด้วย context ใหม่ทุกรอบ และให้ auditor แบบ read-only ตรวจสภาพแวดล้อมจริงก่อนบันทึกว่า 'เสร็จ' ผลคือ WeaveBench 51.8% → 80.7% และ Qwen 3.7-Plus แซง Opus 4.7 ที่ใช้ Claude Code เปล่า
รายงานเทคนิค Qwen-UI-Agent ลงวันที่ 29 กรกฎาคม 2026 จากทีม MAI-UI ของ Alibaba อ้างว่ารุ่น 27B ทำได้ 82.1% บน MobileWorld, 92.2% บน MobileWorld-Real และ 79.5% บน OSWorld-Verified — เหนือกว่า Claude Opus 4.8 และ Gemini 3.1 Pro บนงานมือถือ และเป็นอันดับสองรองจาก Opus 4.8 บนเดสก์ท็อป โดยฝึกด้วย online RL บนอุปกรณ์จริงกว่า 100 เครื่อง