Uma equipe de pesquisadores lançou o Mage-VL-Cowork, um novo modelo de inteligência artificial com 4 bilhões de parâmetros voltado para o uso de computadores. A novidade, detalhada em publicação na plataforma ArXiv, combina a interação visual com interfaces gráficas de usuário e a execução de comandos em terminais ou códigos em uma única política de atuação.
Segundo a publicação científica, o modelo foi desenvolvido para preencher a lacuna de agentes que precisam operar computadores de forma híbrida e eficiente. Essa abordagem integrada permite que a inteligência artificial alterne entre clicar em elementos visuais na tela e executar scripts diretos para resolver tarefas complexas no sistema operacional.
Uma receita de treinamento em cinco estágios
Para alcançar esse nível de autonomia, os criadores do Mage-VL-Cowork utilizaram um modelo base pré-treinado com alinhamento multimodal e aplicaram um currículo progressivo dividido em cinco estágios. Essa receita de treinamento abrangeu fases de pré-treino intermediário, ajuste fino supervisionado e aprendizado por reforço.
Em vez de apenas copiar o conhecimento de um modelo professor padrão, os cientistas evoluíram a estrutura de orientação e criaram ambientes especializados para gerar trajetórias de alta qualidade. Isso garantiu que cada etapa do treinamento contasse com uma supervisão adequada para as habilidades exigidas.
Ganho de eficiência com a plataforma Mage-CUA-Forge
Um dos grandes destaques do trabalho é o uso do Mage-CUA-Forge, um sistema que substituiu a criação de agentes tarefa por tarefa por fluxos de trabalho reutilizáveis. Essa plataforma utiliza preparados específicos para cada aplicativo e sintaxe baseada em habilidades para expandir o volume de treino.
Ao todo, o sistema gerou 293.806 tarefas de área de trabalho e web, cobrindo 6.915 habilidades distintas. Segundo o estudo no ArXiv, essa estratégia reduziu os custos recorrentes de criação por tarefa em 82,6%, provando que é possível treinar modelos avançados gastando muito menos recursos.
Como resultado desse processo, o Mage-VL-Cowork de 4 bilhões de parâmetros alcançou a marca de 66,0% de precisão no benchmark OSWorld-Verified. Esse número representa o estado da arte para modelos da sua categoria de tamanho, oferecendo um custo de raciocínio mais eficiente e impulsionando a inteligência executada diretamente no dispositivo.
O que isso muda para você
A chegada do Mage-VL-Cowork sinaliza uma transformação profunda para quem trabalha com automação de processos, desenvolvimento de software e operação de sistemas no Brasil. O avanço mostra que não precisamos de modelos gigantescos e caros na nuvem para realizar tarefas complexas no computador, abrindo caminho para assistentes locais extremamente rápidos.
Na prática, profissionais de tecnologia e empresas poderão contar com agentes capazes de operar navegadores e softwares ao mesmo tempo em que escrevem scripts de terminal para resolver problemas de rotina. A redução expressiva nos custos de treinamento e a alta eficiência no uso de parâmetros significam ferramentas mais acessíveis e integradas ao dia a dia de trabalho.
O próximo passo ideal para profissionais da área é acompanhar de perto a evolução de agentes híbridos e entender como a execução de comandos via terminal associada à interface visual pode otimizar fluxos de trabalho. Estudar a integração desses pequenos modelos multimodais nos sistemas da sua empresa será um diferencial competitivo importante.
