Mage-VL-Cowork

Quellenstand: 6. November 2026. Aussagen des Herausgebers und Drittversuche sind getrennt; kein eigener AIDreamHub-Benchmark.

Modellpolitik statt fertiger Büroassistent

Das visuelle Sprachmodell wählt computer_use oder bash. Es schlägt GUI-Aktionen oder programmatische Dateiarbeit vor; Desktop, Apps, Rechte und verlässliche Geschäftsabläufe gehören nicht automatisch zum Checkpoint.

Der Nutzen liegt in der Kanalwahl: GUI für visuelle Zustände, Dateibibliothek für strukturierte Tabellen. Beginnen Sie mit einer zurücksetzbaren Aufgabe statt persönlicher E-Mail oder einem uneingeschränkt angemeldeten Arbeitsplatz.

Von AIDreamHub aufgenommene offizielle Projektseite, kein lokal ausgeführtes Produkt.

Die Bedingungen hinter 66,0 %

Die Karte nennt 66,0 % als Mittel zweier Läufe auf 361 OSWorld-Verified-Aufgaben ohne Google Drive, mit 50 Schritten. Dazu gehören 1920×1080, begrenzte Screenshot-Historie und ein bestimmter Hybridagent. Das ist kein allgemeiner Büroerfolgssatz.

Eine Beratungsanalyse betont ebenfalls Trainingsrezept und Ausführungsgerüst, liefert aber keine unabhängige Zertifizierung. Vergleichen Sie gleiche App-Versionen, Werkzeuge, Schrittbudgets und Reset-Verfahren.

Anleitung: eigene Architektur berücksichtigen

Dokumentiert ist llava_onevision2 mit eigenem Code, kein austauschbarer Standard-Qwen3-VL-Checkpoint. Prüfen und fixieren Sie Code vor trust_remote_code. Offiziell gibt es einen gepinnten SGLang-Container und Referenzagenten.

Mounten Sie Gewichte nur lesbar und binden Sie den Port an Loopback. Nutzen Sie Prozessor und natives /generate-Protokoll des Referenzpfads. Ein generischer Chat ohne Bildvorlage und Aktionsausführung reproduziert die Pipeline nicht.

export MODEL_DIR=/absolute/path/to/Mage-VL-Cowork
docker pull xiaoyizhang/mage-vl-cowork:0.1.0
docker run --rm --name mage-vl-cowork --gpus 'device=0' --shm-size=8g -p 127.0.0.1:30001:30001 --mount "type=bind,src=$MODEL_DIR,dst=/models/Mage-VL-Cowork,readonly" xiaoyizhang/mage-vl-cowork:0.1.0

Der Executor muss Aktionen wirklich ausführen

computer_use verwendet normalisierte Koordinaten und benötigt ein Bild nach der Aktion; bash liefert echten Ausführungstext. Der Executor muss parsen, autorisieren, ausführen und das Resultat zurückmelden. Vermeiden Sie Klicks auf veraltete Dialoge nach direkter Dateibearbeitung.

Für eine Tabelle definieren Sie Testdatei, Sollwerte und Zielpfad. Prüfen Sie Werte per Parser und öffnen Sie das Dokument erneut. Gültiges Tool-JSON oder eine Speichermeldung beweist keine korrekte Änderung.

Ein begrenzter Büropilot

Wählen Sie objektiv prüfbare Aufgaben wie Zelländerung, Export oder erlaubtes Verschieben von Testdateien. Fehlende Dateien, unklare Ziele und verbotene Aktionen gehören dazu. Stoppen Sie am Budget statt nachträglich Rechte zu erweitern.

Messen Sie abgeschlossene Aufgaben, Wiederholungen und Eingriffe. Bildverständnis, gültige Aktion und akzeptiertes Dokument sind getrennte Stufen. Die Tabelle ist ein Testvorschlag, kein eigener Benchmark.

Wann andere Wege passen

Bekannte strukturierte Transformationen sind oft mit Skripten klarer. Das Hybridmodell lohnt eine Prüfung, wenn visuelle Zustände nötig sind. Ein verwalteter Dienst reduziert Infrastruktur, ersetzt aber keine Freigaben oder Abnahme.

Rund 9,48 GB BF16-Shards bedeuten nicht gesamten VRAM-Bedarf. Laufzeit, Bilder und Kontext kommen hinzu. Versprechen Sie keine Unterstützung jedes Laptops; dokumentieren Sie Modell, Prozessor und Umgebung.

Sicherheit und Lizenz

Der Checkpoint trägt Apache-2.0. Offiziell empfohlen werden wegwerfbare Isolation, begrenzte Autorisierung, Netzwerkregeln und keine persönlichen Zugänge im Gast. Bildschirmtext ist keine Shell-Erlaubnis.

Externe Übermittlung und irreversible Aktionen brauchen menschliche Freigabe. Wir haben Dokumente und Berichte geprüft, keinen eigenen Bürobenchmark ausgeführt. Die Zeichnung erläutert Kanalwahl.

Fragen vor dem Einsatz

Reicht das Laden für Desktopsteuerung?

Nein. Eigene Architektur, Prozessor, Aktionsvertrag und isolierter Executor sind zusätzlich nötig. Exponieren Sie keinen persönlichen Arbeitsplatz.

Gilt 66,0 % für meine Arbeit?

Es ist ein Herausgeberwert unter speziellen Bedingungen. Testen Sie eigene Apps, Eingaben und Rechte mit zurücksetzbaren Aufgaben und Artefaktprüfung.

Wann bash statt GUI?

Bei erlaubten strukturierten Operationen ist Code oft klarer prüfbar. Visuelle Zustände brauchen GUI. Beide Kanäle müssen autorisiert und real rückgemeldet werden.

Geprüfte Quellen

• Microsoft — model card and execution contract
• Microsoft — reference agent and serving
• Codesprint Consulting — architecture analysis

Ähnliche Werkzeuge finden

• KI-Agenten
• Produktivität