微軟發布 Mage-VL-Cowork，這是一個僅有 4B 參數的小型視覺語言模型，專為自主桌面代理設計。該模型透過特殊的訓練課程與環境合成技術，在 OSWorld-Verified 測試中取得 66.0% 的最佳成績，同時減少模型呼叫次數與輸出 Token 數量。
目前大小是最小值，向右滑動可放大。
Mage-VL-Cowork 的開發結合了上游教師框架演化、以工作流程為導向的環境合成系統 Mage-CUA-Forge，以及一個五階段的先專精後統一課程。
這種混合電腦使用能力的掌握，依賴於上述技術組合，旨在讓小型模型也能處理複雜的桌面自動化任務。
在 OSWorld-Verified 測試中，Mage-VL-Cowork 取得了 66.0% 的成績，被宣稱為 4B 規模模型中的最佳表現。
經過線上強化學習（Online RL）階段後，該模型相較於基準版本，減少了 13.0% 的模型呼叫次數以及 25.4% 的輸出 Token 數量。
微軟指出，Mage-VL-Cowork 旨在推動端側智慧（on-device intelligence）的前沿發展，特別針對自主桌面代理的應用場景。
該模型強調在資源受限的小型參數規模下，仍能維持高效的電腦操作能力，旨在推動端側智慧的前沿發展。
截至本次發布，正式發布包未登錄更正。
AI 協助擷取、寫作與核對；最終內容依來源與驗證規則發布。
開源推理框架 SGLang 推出 v0.5.23 版本，透過合併來自 257 位貢獻者的 1007 個 Pull Request，大幅擴展對 Muse Spark、MiniMax-M3.1 等新模型的支援。此次更新重點在於優化 DeepSeek-V4.1 在 NVIDIA GB300 與 AMD MI350X 上的推理速度，並首次透過 SGLang-TorchTPU 插件原生支援 Google TPU7x 硬體。
雲端服務商 Namespace 因 Mac Mini 交貨延遲及晶片更新不同步，轉而採用 MacBook 架設伺服器機櫃。此舉旨在滿足 iOS 開發者對最新 Xcode 版本的即時需求，並透過自製散熱與遠端管理方案克服筆電在資料中心的運作限制。
一篇針對「Astra 能讀寫權重以改進 Qwen」文章的技術評論指出，該文章摘要容易讓人誤以為模型僅透過觀察原始權重就能提升大型語言模型的數學能力。實際上，涉及真實語言模型（如 Qwen3.5-0.8B）的實驗均使用了 Python 程式碼輔助分析與執行，且關鍵結果是修復了推理迴圈問題，而非單純的數學邏輯增強。
我們使用 Google Analytics 了解閱讀情況與改善新聞網站。你可以接受或拒絕分析 Cookie，不影響閱讀。了解 Cookie 政策
