画面と文字入力を両方操る小型AI、パソコン作業テストで66%を達成

パソコンの画面操作とコマンド実行を1つのモデルで統合して処理する40億学習で調整される膨大な数値。「7B」は70億個の意味で、多いほど賢くなる傾向があるが動かすコストも増える。">パラメータのAIエージェント「Mage-VL-Cowork」に関する論文が公開された。端末上で動作可能な軽量モデルでありながら、高度な作業自動化の実現を目指している。

本研究では訓練の効率化に向け、データ生成基盤「Mage-CUA-Forge」を開発した。6,915種類のスキルにまたがる29万3,806件のデスクトップおよびウェブ作業タスクを合成し、タスクあたりの生成費用を82.6％削減した。さらに、追加事前学習から強化学習に至る5段階の体系的な学習手法を適用し、高品質な操作手順の獲得を実現した。

性能評価では、パソコン操作のベンチマーク「OSWorld-Verified」において正答率66.0％を達成した。推論コストを抑えつつ、同等パラメータ規模のモデルとして最高水準の性能を記録したとしている。