要分析長影片、生成或編輯影像，甚至操作桌面程式，通常需要不同模型和工作流程。Microsoft Mage 把這些能力放進 4B 參數的多模態模型家族，供研究團隊進行受控實驗、後訓練研究及垂直領域應用；它屬於模型系列。
三個模型各有分工：Mage-VL 處理圖像與影片理解，Mage-Flow 負責影像生成和編輯，Mage-VL-Cowork 則在同一個策略模型內結合圖形介面、程式碼和終端機操作。這種混合式電腦操作讓模型可按任務選擇點擊畫面或執行程式碼，而不是交由外部協調器切換不同代理。
影片處理的主要取捨，是減少冗餘影格資訊，同時保留時間與動作線索。Mage-VL 從零訓練視覺堆疊，採用 16×16 的 I/P 預測式 patch 機制，將視覺 token 用量降至密集影格取樣的八分之一或更少；項目報告稱，這令影片訓練時間可延長至 8 倍，推理速度最高提升 3.5 倍。以固定的 4B Qwen3 骨幹比較，Mage-ViT 在所有已報告的影片及時間定位基準測試中勝過 Qwen3-VL-4B，但靜態圖像表現則大致相若。
OSWorld-Verified 的測試中，Mage-VL-Cowork 在 50 步預算下取得 66.0%；強化學習訓練帶來 10.16 個百分點提升，並令模型呼叫減少 13%、輸出 token 減少 25.4%。另一項實驗結果指出，Mage-VL 在 VSI-Bench 領先 11.0 分，顯示其優勢較集中於影片理解和空間智能。
研究人員可按任務選用相應模型與程式碼，測試影片理解、生成編輯或混合式電腦操作；Mage-VL-Cowork 的訓練流程亦涵蓋資料合成、監督微調與強化學習。適合有能力配置模型環境的研究團隊，以及探索有限算力多模態應用的開發者。
- 三個 4B 模型分別涵蓋圖像與影片理解、影像生成編輯、混合式電腦操作。
- 預測式 patch 機制減少影片視覺 token，換取更長訓練影片與較快推理。
- Mage-VL-Cowork 在 OSWorld-Verified 以 50 步預算取得 66.0%，同時減少模型呼叫與輸出 token。