Microsoft lança modelo de 4B que opera computador por tela e código

Modelo troca cliques por código para gastar menos

Agentes que operam apenas analisando capturas de tela gastam milhares de tokens por imagem e perdem tempo com dezenas de cliques para editar um arquivo. Para resolver esse gargalo, o modelo alterna sozinho entre a ferramenta computer_use, voltada para layouts visuais, e o ambiente bash, destinado a manipular planilhas, documentos e apresentações por código. Essa divisão permite alterar arquivos estruturados de forma direta e checar os resultados com respostas determinísticas do terminal. A troca de canais ocorre sem intermediários.

O treinamento seguiu um currículo de cinco etapas que elevou o desempenho geral de 45,56% para 55,84% no ajuste fino híbrido até atingir 66,0% com reforço online. Antes da unificação, a equipe aprimorou a visão do modelo, elevando o índice de 30,6% para 56,9% no teste OSWorld-G e de 78,8% para 87,2% no ScreenSpot-v2. Para criar os dados, o motor Mage-CUA-Forge gerou 293.806 tarefas e cortou o custo de 0,906 dólar para 0,158 dólar por tarefa ao economizar 93,3% dos tokens. O sistema cobriu 6.915 habilidades atômicas.

Na etapa de reforço online com o algoritmo GRPO e recompensas verificáveis, o modelo superou o ajuste fino híbrido em 10,16 pontos percentuais. Essa fase reduziu as chamadas de inferência de 21,57 para 18,77 passos por tarefa e encolheu a geração de tokens de saída de 7.374 para 5.499. Nos testes práticos do OSWorld-Verified, o sistema marcou 87,5% em tarefas diretas do sistema operacional e 62,7% em fluxos de trabalho que combinam múltiplos aplicativos. O volume de saída encolheu 25,4%.

Destilação eficiente avança, mas requisito de memória segue sem dados

O ganho do modelo também decorre do refinamento do professor GPT-5.4, do qual a equipe removeu ferramentas redundantes como o utilitário xdotool e a leitura de árvores de acessibilidade. Ao pré-instalar bibliotecas Python especializadas, o professor bateu 92,0% de taxa de conclusão e usou 29,2% menos passos durante os testes. Esse ganho estrutural do professor repassou 12,5 pontos percentuais extras ao aluno de 4 bilhões de parâmetros durante o processo de destilação. O estudante saltou para 37,6%.

O repositório cataloga o modelo na tarefa image-text-to-text da biblioteca transformers, com arquitetura llava_onevision2 e pesos distribuídos em dois arquivos no formato safetensors. Embora a escala de 4 bilhões de parâmetros mire o processamento direto na máquina do usuário, a Microsoft não divulgou tabelas de memória RAM ou VRAM necessárias. A licença Apache 2.0 libera o uso comercial. Com 1.541 downloads no mês e 149 curtidas no Hugging Face, o pacote expande o acesso a pesos abertos em inglês para desenvolvedores que preferem evitar provedores proprietários de nuvem.