OSWorld第一、成功率58.2%：Mano-P的4B GUI自动化模型如何打赢72B大模型——基准数据深读

OSWorld第一、成功率58.2%：Mano-P的4B GUI自动化模型如何打赢72B大模型——基准数据深读

【免费下载链接】Mano-PMano-P: Open-source GUI-VLA agent for edge devices. #1 on OSWorld (specialized, 58.2%). Runs locally on Apple M4 Mac mini/MacBook — no data leaves your device.Mano-P 是一个开源 GUI-VLA 项目，支持在 Mac mini/MacBook 上或通过算力棒本地运行推理，实现纯视觉驱动的跨平台 GUI 自动化操作。数据完全本地处理，支持复杂多步骤任务规划与执行。项目地址: https://gitcode.com/gh_mirrors/man/Mano-P

Mano-P 是一个开源的 GUI-VLA 视觉-语言-动作智能体项目，主打本地运行、数据不出设备的 GUI 自动化：在苹果 M4 Mac mini / MacBook 上直接推理，以 58.2% 的成功率拿下 OSWorld 专项模型榜第一，领先 72B 级的 opencua-72b 达 13.2 个百分点。这篇文章把项目里的关键基准数据拆开读一遍：OSWorld、WebRetriever、GUI 定位榜，以及"4B 小模型凭什么打赢 72B"背后的训练与工程细节。📊

📌 先看结论：Mano-P 的关键数字一览

这些数据的出处都可以对照仓库里的 README.md（Key Highlights 部分）和 README_CN.md 查看。

🖥️ Mano-P 是什么：一个纯视觉的本地 GUI 自动化智能体

Mano-P（"Mano" 是西班牙语"手"，"P" 代表 Private/私密）的定位是面向边缘设备的 GUI 自动化代理：你只给它一句自然语言指令（比如"打开微信，告诉 FTY 会议推迟了"），它靠截图 + 纯视觉理解逐步完成点击、输入、滚动、拖拽等操作，不需要目标应用提供任何 API。

它的技术底座来自 Mano 技术框架，包含三个关键设计：

• Mano-Action 双向自强化训练：Text → Action 与 Action → Text 循环一致性学习，模型既会"从描述定位元素"，也会"对元素做描述"；
• 三阶段渐进训练：监督学习（SFT）→ 离线强化学习 → 在线强化学习；
• "think-act-verify" 循环推理：先思考、再动作、后验证，形成闭环。

配合 INT8 混合精度量化、视觉 token 剪枝等边缘优化，让模型能在 Mac mini / MacBook / 算力棒上高效运行。整体架构如下图所示：

项目采用分阶段开源策略：第一阶段开放 Mano-CUA Skills（供 Agent 爱好者搭建 CUA 工作流），第二阶段开放本地模型与 SDK（供高安全需求开发者自建 Skills/Tools），第三阶段开放训练方法与剪枝量化技术。详细说明见 README.md。

🏆 OSWorld 专项榜：58.2% 是怎么赢的

OSWorld 是目前公认的 GUI 智能体"硬考场"——任务在真实操作系统环境中执行，涉及多应用、多步骤操作。把 Mano 系列和同场专项模型放在一起看（数据取自 README.md 的 Benchmark 章节）：

读这张图的三个要点：

1. 58.2% vs 45.0%：Mano-CUA 1.1 以 13.2 个百分点的差距把 opencua-72b-preview 甩在身后，而对手是 72B 参数量的模型；
2. 7B 模型全面落后：DART-GUI-7B（40.5%）和上一代 DeepMiner-Mano-7B（40.1%）都停在 40% 一线，说明 Mano 系列的增益不来自"参数堆料"；
3. 注意测试条件：榜首是 Max Steps=100 的单次运行成绩，opencua-72b 则是 3 次运行的均值（45.0±0.9%），Mano 的成绩并没有靠"多跑取均值"刷出来。

🌐 全部模型视角：与顶级通用大模型的差距有多大

如果把通用大模型的 Computer Use 也算进来，OSWorld 的完整格局是另一张图：

• 榜首 claude-sonnet-4-6 拿到 72.1%，其后是 Kimi K2.5（63.3%）等；
• Mano-72B（DeepMiner-Mano-72B）以 58.2% 排在第 5，与 claude-sonnet-4-5（58.1%）基本打平；
• 换句话说：Mano 在专项模型里是第一，放到全部模型里也稳居第一梯队，但距离最强通用方案仍有约 14 个百分点空间——这也是项目在"当前差距"小节里坦诚写明的迭代方向（模糊描述、跨应用、深层办公软件操作）。📝

🎯 Web 能力与 GUI 定位：41.7 NavEval 的细节

WebRetriever是 Mano 团队参与设计的大规模 Web Agent 基准。Protocol I 下 Mano-CUA 1.1 拿到41.7 NavEval，小幅超过 Gemini 2.5 Pro Computer Use（40.9），明显领先 Claude 4.5 Computer Use（31.3）：

再往底层看，GUI Agent 的"手眼协调能力"（Grounding：看图找到该点的位置）是执行成功率的地基。Mano-P 1.0 在多个定位榜单上都是最高分：

挑几个代表性数字：ScreenSpot-Pro 66.4（超过 GPT-4o 的 1.4 和 SeedCUA-4B 的 60.0）、ScreenSpot-V2 93.5、MMBench-GUI 87.5、UI-Vision 46.6、OSWorld-G-Refine 49.5。定位准，后续的多步操作才不容易"第一步就点错"。

此外，在考察视频理解与注意力分配的 CL-bench 上，Mano-P 1.0 以 23.37 分仅次于 GPT-5.1（Thinking）的 23.75，说明它的"视觉注意力"分布接近人类专家水平：

🔍 核心问题：4B 小模型凭什么打赢 72B？

这是全文最值得深挖的部分。答案分三层：数据、训练、工程。

1. 数据层：闭环数据循环 + 领域特化

Mano 采用闭环数据生成体系自动构造高质量训练数据，并且是GUI 专用模型——它见过的是成百上千个交互元素的真实桌面界面，而非通用图文。仓库里的真机对比就印证了这一点：在 100 个真实 macOS 任务上，通用云端 VL 模型 Qwen3-VL-Plus 只有 39% 通过率，而专用 4B 模型拿到 56%（Mano-CUA-2.0-4B，详见 README.md 的实测章节）。"通用 VL 能力 ≠ GUI Agent 能力"，专用微调的价值就在这里。

2. 训练层：双向自强化 + 三阶段渐进

• Mano-Action 双向学习：Text→Action（找元素）与 Action→Text（描述元素）互为教师，比单向预测更鲁棒；
• SFT → 离线 RL → 在线 RL：先用监督学习打底，再用强化学习在真实/仿真环境中打磨长程决策；
• think-act-verify：每步动作前推理、动作后验证，长任务中错误不累积。

3. 工程层：让 4B 在本地"跑得动、跑得快"

• INT8 激活量化（Cider SDK）：MLX 原生只有权重量化，Cider 补上了 W8A8 / W4A8 在线激活量化算子，在 Apple M5 Pro 上相比 MLX W4A16 有1.4x–2.2x 的 prefill 加速，Mano-CUA-4B 解码速度约 80 tokens/s；
• 视觉 token 剪枝（GSPruning）：把每图平均视觉 token 保留率压到12.57%（只保留约八分之一的画面 token），训练吞吐提升到 22.62 samples/s，而成功率损失极小——高分辨率截图不再是大开销；
• 部署成本：约 6.4 GB 内存占用，M4 芯片 + 32GB 内存的 Mac mini / MacBook 即可直跑；任何 Mac 也可通过 USB 4.0 接算力棒运行更大参数模型。

这三层叠加后，4B 本地模型在真实 macOS 任务上的单步耗时（7.9s）反而比云端方案（9.3s）更快——小模型 + 零网络往返，延迟天然占优。⚡

🔒 本地运行的附加价值：数据不出设备

对新手用户来说，这可能是比跑分更重要的部分：

• 本地模式零外发：截图与任务描述全部在设备内推理，无任何云 API 调用，断网也能跑长任务；
• 两种使用形态：CLI 工具mano-cua（一条命令启动 GUI 自动化任务）和 Agent 技能形态（供 Claude Code 等 AI Agent 在推理中自动调用）；
• 安全约束内建：敏感操作需确认、可随时停止、屏幕右上角有实时状态面板。

隐私细节见 README.md 的"Data Privacy & Security"小节。

✅ 小结：这组基准数据说明了什么

1. 58.2% 的 OSWorld 专项第一，证明 Mano 系列是目前最强的一档专项 GUI 智能体模型，且优势（+13.2pct）远超第二名与第三名之间的差距；
2. 4B 打赢的不是"更大"，而是"更专"：领域数据 + 双向自强化训练 + 边缘工程优化，让本地 4B 模型在真实任务上超过 39% 的云端通用大模型；
3. 本地化是差异化卖点：数据不出设备、断网可跑、单步更快，适合高安全场景；
4. 差距同样诚实：与 72.1% 的顶级通用方案之间还有空间，项目方明确把模糊描述、跨应用、深层办公操作列为下一步方向。

想深入了解，建议从 README.md 的 Benchmark Performance 章节和 LICENSE（Apache 2.0 协议）读起，图片原始数据都在 pics/ 目录中。

【免费下载链接】Mano-PMano-P: Open-source GUI-VLA agent for edge devices. #1 on OSWorld (specialized, 58.2%). Runs locally on Apple M4 Mac mini/MacBook — no data leaves your device.Mano-P 是一个开源 GUI-VLA 项目，支持在 Mac mini/MacBook 上或通过算力棒本地运行推理，实现纯视觉驱动的跨平台 GUI 自动化操作。数据完全本地处理，支持复杂多步骤任务规划与执行。项目地址: https://gitcode.com/gh_mirrors/man/Mano-P