Um agente que opera o computador precisa mesmo fazer tudo com o mouse? Para reorganizar uma planilha, clicar em dezenas de células pode ser um desvio quando um pequeno programa resolveria a alteração. Já conferir um desenho ou interagir com o estado aberto de um aplicativo pode exigir olhar para a tela. O Mage-VL-Cowork, disponibilizado pela Microsoft, foi treinado para escolher entre esses caminhos.

A ficha oficial do modelo (em inglês) descreve uma política de visão e linguagem apresentada como de 4 bilhões de parâmetros, combinando ações gráficas e um terminal persistente. Os pesos estão disponíveis sob Apache 2.0. Há uma divergência no catálogo: o contador automático do Hugging Face mostra 5B, enquanto a documentação dos autores usa 4B. A identificação desta matéria segue a descrição técnica da equipe.

A ferramenta faz parte do raciocínio

O repositório oficial (em inglês) documenta dois canais: computer_use, para capturas de tela, mouse e teclado, e bash, para comandos e Python. A escolha acontece na mesma política, sem um roteador externo para distribuir a tarefa entre modelos.

Pense em preparar um relatório a partir de uma planilha. Um caminho possível seria transformar os dados por código, abrir o resultado e conferir sua apresentação. Esse é um exemplo da utilidade da abordagem híbrida, não um resultado medido por esta reportagem. O trabalho entregue precisa ser verificado mesmo quando o agente escolhe uma ferramenta mais direta.

Esse ponto muda o que vale observar numa demonstração. Contar cliques ou comandos isoladamente diz pouco. Uma sequência curta pode alterar o arquivo errado; uma sequência longa pode terminar corretamente. O teste relevante combina execução, conferência do resultado e capacidade de recuperar um erro.

Como ler os 66% divulgados

A equipe relata 66,0% no OSWorld-Verified, em uma avaliação com 361 tarefas, excluindo Google Drive, e limite de 50 passos. O número é a média de duas execuções completas. Trata-se de uma avaliação dos próprios autores, nas condições descritas no repositório, sem reprodução independente feita pela MnzAI Labs.

Isso oferece um ponto de partida para experimentos. Não equivale a dizer que o modelo concluirá dois terços das tarefas de qualquer pessoa, nem demonstra confiabilidade para operar contas reais. Aplicativos, arquivos e permissões fora do teste podem mudar bastante a dificuldade.

A documentação recomenda ambientes isolados e descartáveis, além de confirmação humana para ações irreversíveis. É uma orientação coerente com o alcance de um terminal: o mesmo canal que facilita editar arquivos também amplia as consequências de uma instrução incorreta.

Quem quiser avaliar a proposta pode começar com cópias de documentos, uma máquina virtual e critérios de sucesso definidos antes da execução. Medir tempo total, erros, intervenções e integridade dos arquivos ajuda a responder à pergunta que o modelo torna interessante: alternar entre tela e código melhora a entrega ou apenas muda a aparência da automação?