Mano-P 1.0 - Minglue Technology社によるオープンソースのGUI-VLAインテリジェントエージェントモデル。

Mano-P 1.0とは何ですか？

Mano-P 1.0は、Minglue Technologyが開発したオープンソースのGUI-VLAインテリジェントエージェントモデルです。純粋にビジョン駆動型で、APIを必要とせずにデスクトップソフトウェアやWebインターフェースを直接制御できます。このモデルは、72バイトのフルバージョンと4バイトの量子化バージョンを提供し、Apple M4チップ上でのローカル展開をサポートし、クラウドを介さないデータ転送と物理的に隔離されたレベルのプライバシー保護を実現します。Mano-P 1.0は、OSWorldを含む13の国際ベンチマークテストで最先端（SOTA）の結果を出し、Apache 2.0ライセンスの下でオープンソースとして公開されており、商用アプリケーションや二次開発をサポートしています。

Mano-P 1.0の主な特徴

• GUIによるエンドツーエンド制御このモデルは、知覚、理解、計画、操作、検証といったあらゆる機能を備えています。デスクトップソフトウェア、Webインターフェース、複雑なグラフィカルワークフローを直接制御でき、クリック、テキスト入力、ウィンドウ切り替え、視覚検証といったクローズドループ動作をサポートします。
• 純粋な視覚的理解基盤となるAPI、CDPプロトコル、HTML解析に依存しません。ピクセルレベルの視覚的理解を通じて画面コンテンツを直接「理解」できるため、従来のブラウザエコシステムの境界を打ち破り、非標準アプリケーション、3Dソフトウェア、システム間連携シナリオにも対応できます。
• デバイス側でのローカル展開Apple M4チップ搭載デバイス（Mac mini/MacBook）でのローカル動作をサポートし、USB 4.0経由でコンピューティングスティックにも接続可能です。クラウドへのデータアップロードは一切行わず、物理的な隔離レベルのプライバシー保護を実現するとともに、オフライン環境でも長時間のタスクを自律的に実行できます。
• エージェントエコシステムの統合：SkillはOpenClawやClaude CodeなどのAIエージェントとシームレスに統合し、複雑なワークフローにおける手動介入のボトルネックを解消するためのGUI実行機能の基盤を提供します。

Mano-P 1.0の技術原理

• GUI-VLAアーキテクチャ視覚・言語・動作のマルチモーダルフレームワークに基づき、このモデルは画面ピクセル情報を直接解析し、自然言語コマンドを組み合わせることで、具体的な操作座標と動作を出力します。APIやHTML解析に頼ることなく、プラットフォームを問わずあらゆるグラフィカルインターフェースを制御できます。
• 3段階の漸進的トレーニングこのシステムは、教師あり微調整を用いて能力の基盤を築き、オフライン強化学習によって戦略を最適化し、最終的にオンライン強化学習によってリアルタイムの環境フィードバックと動的なエラー修正を実現することで、知覚から実行までのクローズドループ最適化を形成する。
• GSPruning 剪定の高速化独自のビジュアルトークン剪定技術によって冗長な視覚情報を圧縮し、4ビット量子化方式と組み合わせることで、4BモデルはM4チップ側で476トークン/秒の推論速度を実現し、メモリ使用量はわずか4.3GBに抑えられています。
• エンドポイントとクラウド向けのデュアルバージョン設計72Bフルモデルはクラウド上に展開され、複雑なタスクを処理する一方、4B量子化モデルはデバイス側でのローカル動作に特化しています。長文コンテキスト理解機能と組み合わせることで、オフライン環境における自律的なタスク計画と多段階意思決定をサポートします。

Mano-P 1.0の使い方

• コードを取得プロジェクトのソースコードとドキュメントをクローンするには、GitHubリポジトリにアクセスしてください。
• モードを選択現在、Mano-CUAスキルはOpenClawまたはClaude Codeに設定可能です。
• 構成統合モデルがアプリケーション間のGUI認識機能と自動操作機能を獲得できるように、スキルをターゲットエージェントに接続します。
• ローカル展開Apple M4チップ搭載デバイス（32GB以上のメモリ）上で4B量子化モデルを実行することで、クラウドへのデータアップロードを一切行わずにオフラインでの操作を実現します。
• 使用を開始する自然言語コマンドを用いてAIを制御し、画面を自動的に分析して、クリック、入力、ウィンドウ切り替えといった複雑なワークフローを完了させる。

Mano-P 1.0の主要情報と使用要件

• 製品ポジショニングMano-P 1.0は、Minglue Technologyが開発したオープンソースのGUI-VLAインテリジェントエージェントモデルです。APIインターフェースに頼ることなく、純粋な視覚理解によってデスクトップソフトウェアやWebインターフェースを直接制御できます。
• オープンソースライセンスこれはApache 2.0ライセンスの下で完全にオープンソースであり、監査可能なコードがすべて含まれており、商用利用および二次開発をサポートしています。
• モデルバージョン本製品は、72Bフルモデル（クラウド上での高性能）と4B量子化モデル（デバイス上でのローカル展開）という2つのバージョン構成のアーキテクチャを提供します。
• パフォーマンスOSWorldやScreenSpot-V2を含む13の国際的な権威あるベンチマークテストにおいて、最先端（SOTA）の結果を達成し、OSWorldタスクにおける成功率は58.2%でした。
• 中核的な利点純粋なビジョン駆動型操作は、従来の自動化の限界を打ち破り、アプリケーション横断的なワークフローや複雑なグラフィカルインターフェース操作をサポートします。
• ハードウェア構成ローカル展開には、Apple M4チップ以上を搭載した32GB以上のメモリを持つデバイス、またはUSB 4.0で接続されたMano-Pコンピューティングスティックが必要です。

Mano-P 1.0の主な利点

• 純粋にビジョン主導API、HTML、あるいは基盤となるプロトコルを一切必要とせず、ピクセルレベルの理解を通してあらゆるデスクトップソフトウェアや3Dアプリケーションを直接制御できるため、従来の自動化の限界を打ち破ります。
• デバイス側でのローカル展開Apple M4チップ搭載デバイスでのローカル動作をサポート。4B量子化モデルはわずか4.3GBのメモリしか必要とせず、クラウドへのデータアップロードを一切行わずに、物理的に隔離されたレベルのプライバシー保護を実現します。
• オフラインでの自律性ネットワーク接続のない環境下でも、複雑で長時間を要するタスクを自律的に計画・実行でき、リアルタイムでの意思決定と自己修正能力を備えている。
• パフォーマンスベンチマークバージョン72Bは、OSWorldを含む13の国際ベンチマークテストで最先端（SOTA）の結果を達成し、OSWorldタスクでの成功率は58.2%で、類似モデルを13.2パーセントポイント上回りました。
• オープンソースのエコシステムApache 2.0ライセンスは完全なオープンソースであり、コード全体が監査可能で、商用アプリケーションや二次開発をサポートし、OpenClaw、Claude Code、その他のエージェントエコシステムとシームレスに統合されます。

Mano-P 1.0のプロジェクトアドレス

• GitHubリポジトリ：https://github.com/Mininglamp-AI/Mano-P

Mano-P 1.0と類似の競合製品との比較

Mano-P 1.0の応用シナリオ

• アプリケーション横断型オフィスオートメーションExcel、ERP、およびメールクライアント間でデータを自動的に移行し、レポート作成やメール配信などのシステム間ワークフローを完了します。
• 複雑なソフトウェア制御Photoshop、CAD、3Dモデリングなどのプロフェッショナル向けデザインソフトウェアはもちろん、APIインターフェースを持たないレガシーシステムも直接制御できます。
• エンドツーエンドのソフトウェアテストUIインターフェースのクリック、フォームへの入力、結果の検証を自動的に実行し、人間の介入なしにアプリケーションテストプロセス全体を完了します。
• プライバシーに配慮した業務処理財務諸表や医療記録などの機密データをローカルで処理することで、情報がローカルマシンから外部に漏洩しないようにし、コンプライアンス要件を満たします。
• オフラインシーン自動化ネットワーク接続のない環境下でも、データ入力、文書処理、システム保守といった、長期間にわたる複雑な作業を自律的に完了できる。