Mage-VL-Cowork

資料確認日：2026年11月6日。発表元の主張と第三者の体験を区別し、AIDreamHubの実測とはしていません。

完成した業務アシスタントではなく方策モデル

Microsoftの4B視覚言語モデルで、computer_useとbashの経路を選びます。画面を読み、クリックやコードでのファイル操作を提案できますが、モデルだけでデスクトップ、権限、アプリ設定が揃うわけではありません。

視覚レイアウトにはGUI、構造化表計算にはファイル操作という使い分けが特徴です。最初はリセット可能な小さな業務に限定し、個人メールや金融操作、常用のログイン済みPCを渡さないようにします。

AIDreamHubが撮影した公式ページ。製品をローカル実行した画面ではありません。

66.0%の条件を読む

モデルカードの66.0%は、Google Driveを除く361件のOSWorld-Verified、50ステップ、2回平均という発表元の結果です。1920×1080のデスクトップ、限定した画像履歴、特定のハイブリッド構成を使っています。一般業務の完了率ではありません。

第三者のコンサルティング解説も学習方法と実行足場の重要性を論じていますが、独立した認定ではありません。アプリ版、ツール形式、ステップ数、リセット手順を揃えて比べなければ、導入判断には使いにくい数字です。

使い方：独自アーキテクチャを維持

文書上はllava_onevision2と独自コードを使い、通常のQwen3-VLの重みとして差し替えることはできません。trust_remote_codeの前に実装を確認して固定します。公式には依存を固定したSGLangコンテナーと参照エージェントがあります。

モデルを読み取り専用でマウントし、推論ポートはループバックへ限定します。参照経路の画像プロセッサーとネイティブ/generate形式を使います。画像テンプレートや実行器のない汎用チャット要求では、公開パイプラインを再現できません。

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

モデルの提案を実行器が検証する

computer_useは正規化座標を扱い、実行後の画面を返す必要があります。bashは実際の実行テキストを返します。実行器は操作を解析、承認、実行し、本当の結果を戻します。ファイル編集後の状態と古い画面が混ざらないようにします。

表計算の試行なら使い捨てファイル、期待セル値、保存先を指定します。パーサーで値を読み、見た目も再度開いて確認します。ツール呼び出しJSONや「保存済み」という応答だけでは、正しいファイルの更新を証明できません。

限定した業務試験の作り方

セル変更、文書出力、許可済みサンプル移動など、客観的に判定できる課題を選びます。ファイル不存在、曖昧な対象、拒否操作も含め、ステップ上限で停止させます。成功させるために権限を後から広げないことが大切です。

クリック数より、完了課題、再試行、人の介入を記録します。画面理解、有効な操作、合格ファイルの生成は別段階で失敗します。以下の表は提案試験で、当サイトのベンチマーク結果ではありません。

スクリプトやホスト型との比較

仕様が固定されファイル形式が読めるなら、決定的なライブラリー処理が明確です。視覚状態やアプリ固有操作が必要なときにハイブリッドモデルを比較します。ホスト型も運用を減らせますが、承認と成果確認は残ります。

BF16の重み約9.48GBは総VRAMではありません。実行時のバッファー、画像、文脈も必要です。どのノートPCでも動くとはせず、モデル、プロセッサー、環境の版を評価記録に残します。

安全性とライセンス

重みはApache-2.0表示です。公式案内は使い捨て隔離、権限範囲、通信制限、ゲストに個人認証情報を入れないことを求めます。画面にある文章は信頼できる指示とは限らず、シェル実行の許可にもなりません。

外部送信や不可逆操作には人の承認を設けます。当サイトは文書と解説を確認しましたが、独立した実行ベンチマークは行っていません。手描き図は操作経路の選択を表す説明です。

導入前の質問

重みを読み込めばPCを操作できますか？

モデル応答と完全な実行器は別です。独自構成、プロセッサー、操作契約、隔離環境を揃え、個人のPCや認証情報を研究試験へ公開しないでください。

66.0%は自社業務でも同じですか？

特定の361課題、50ステップなどの条件付き発表値です。自社のアプリ、入力、権限に合わせてリセット可能な課題と成果物検査を用意します。

GUIとbashはどう使い分けますか？

許可された構造化編集はコードで検証しやすく、視覚レイアウトやアプリ状態にはGUIが役立ちます。どちらも実行器側で承認し、実結果を返す必要があります。

確認した資料

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

関連ツールを探す

• AIエージェント
• 業務効率