Mano-P三阶段开源路线图构建人人可用的私有AI的完整计划【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-PMano-P 是一个专为端侧设备设计的开源 GUI-VLA 智能体可在搭载 Apple M4 芯片的 Mac mini / MacBook 上本地推理所有截图与任务数据全程不出设备。项目将按三个阶段逐步开源先是 CUA Skills再是本地模型与 SDK最后是训练方法与量化技术——让每个人都能构建属于自己的私有 AI。 为什么是私有 AIMano-P 已经做到什么大多数 GUI 自动化方案依赖云端 API截图上传、云端推理、结果回传。而 Mano-P 走的是另一条路——纯视觉驱动 本地推理复杂 GUI 自动化自主完成包含数百个交互元素的界面操作跨系统数据整合无需 API 接口纯视觉提取多源数据长任务规划支持数十步至上百步的企业级业务流程完全离线所有 CUA 操作在本地 Mac mini 执行不上传外部服务器成绩同样硬核Mano-CUA 1.1 在 OSWorld 基准上取得58.2% 成功率位居专用 GUI 智能体模型第一领先第二名 13.2 个百分点在 WebRetriever Protocol I 上取得 41.7 NavEval超越 Gemini 2.5 Pro 与 Claude 4.5 Computer Use。 第一阶段开源 Mano-CUA SkillsAgent 爱好者开箱即用目标用户Agent 爱好者如 OpenClaw、Claude Code 的用户这是门槛最低的一步你不需要任何端侧硬件即可让现有的 AI Agent 获得操作电脑的能力。Mano-CUA Skills 提供两种使用形式详见 README_CN.md1️⃣ mano-cuaCLI 命令行工具—— 面向人类用户# 通过 Homebrew 一键安装 brew tap Mininglamp-AI/tap brew install mano-cua # 直接下达自然语言任务 mano-cua run 打开 Safari 并搜索 Python2️⃣ mano-skillClawHub Skill 形式—— 面向 AI Agent安装后Claude Code、OpenClaw 等 Agent 会在推理链路中自主调用GUI 自动化能力无需手动触发命令适合复杂的多步骤任务工作流。 这一阶段的价值打通 Agent 工作流中人类介入的瓶颈让 GUI 自动化能力像 Skill 一样即插即用。 第二阶段开源本地模型与 SDK数据不再离开你的 Mac目标用户对数据安全有高要求的开发者从第二阶段开始Mano-P 的4B 端侧 GUI-VLA 模型与推理 SDK 全部开源。这意味着本地推理模型基于 MLX 直接在 M4 芯片 32GB 内存的 Mac mini / MacBook 上运行也可通过 USB 4.0 连接的算力棒即插即用运行更大模型零数据外发截图与任务描述零外发无网络依赖适合处理敏感信息与高安全场景端侧加速配套 Cider SDK 补齐 MLX 缺失的 W8A8 / W4A8 激活量化原语decode 可达 ~80 tokens/s在真机测试中本地 Mano-CUA-4B 以 56% 通过率大幅超越云端通用视觉大模型的 39%——GUI 专用小模型 端侧部署就是私有 AI 的正确姿势。模型在各类 GUI Grounding 基准上同样表现领先本地模式完整流程见 README_CN.mdmano-cua check # 首次使用检查环境、安装 SDK mano-cua install-model # 拉取本地模型 mano-cua run 在搜索框中输入 hello --local 第三阶段开源训练方法与量化技术训练你自己的端侧模型目标用户有特定模型训练需求的开发者这是路线图最深的一步Mano-P 模型背后的训练方法论将全部公开包括详见 README_CN.mdMano-Action 双向自增强训练Text ↔ Action 循环一致性学习让模型同时掌握从描述定位元素与描述给定元素两个方向的能力形成自我强化的数据闭环三阶段渐进训练SFT监督学习→ 离线强化学习 → 在线强化学习视觉 Token 剪枝GSPruning 等方法让高分辨率界面处理提速 2-3 倍混合精度量化INT8 激活量化等端侧部署优化让大参数量模型跑进 Mac mini届时你可以把自己的领域数据喂进去训练出医疗、金融或企业内部系统专属的端侧 GUI-VLA 模型——私有 AI 不再只是用而是造。️ 硬件要求与快速上手项目要求直装推理Mac mini / MacBookApple M4 芯片 32GB 内存及以上算力棒方案任意 Mac Mano-P 算力棒USB 4.0 连接即插即用系统权限屏幕录制 辅助功能权限三步跑通私有 AI 的本地推理FAQ 原文见 README_CN.mdbrew install mano-cua安装 CLImano-cua check mano-cua install-sdk mano-cua install-model准备本地环境mano-cua run 你的任务 --local开始本地执行 写在最后从 Skills 到本地模型再到训练方法Mano-P 的三阶段开源路线图精准覆盖了Agent 爱好者 → 安全敏感开发者 → 模型训练者三类人群。项目采用 Apache License 2.0 协议支持商业使用与二次开发。Mano 在西班牙语中意为手P 代表 Private。当 AI 真正长在你自己的设备上人机协同的未来才刚刚开始——而这张路线图就是通往它的完整地图。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Mano-P三阶段开源路线图：构建人人可用的私有AI的完整计划
Mano-P三阶段开源路线图构建人人可用的私有AI的完整计划【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-PMano-P 是一个专为端侧设备设计的开源 GUI-VLA 智能体可在搭载 Apple M4 芯片的 Mac mini / MacBook 上本地推理所有截图与任务数据全程不出设备。项目将按三个阶段逐步开源先是 CUA Skills再是本地模型与 SDK最后是训练方法与量化技术——让每个人都能构建属于自己的私有 AI。 为什么是私有 AIMano-P 已经做到什么大多数 GUI 自动化方案依赖云端 API截图上传、云端推理、结果回传。而 Mano-P 走的是另一条路——纯视觉驱动 本地推理复杂 GUI 自动化自主完成包含数百个交互元素的界面操作跨系统数据整合无需 API 接口纯视觉提取多源数据长任务规划支持数十步至上百步的企业级业务流程完全离线所有 CUA 操作在本地 Mac mini 执行不上传外部服务器成绩同样硬核Mano-CUA 1.1 在 OSWorld 基准上取得58.2% 成功率位居专用 GUI 智能体模型第一领先第二名 13.2 个百分点在 WebRetriever Protocol I 上取得 41.7 NavEval超越 Gemini 2.5 Pro 与 Claude 4.5 Computer Use。 第一阶段开源 Mano-CUA SkillsAgent 爱好者开箱即用目标用户Agent 爱好者如 OpenClaw、Claude Code 的用户这是门槛最低的一步你不需要任何端侧硬件即可让现有的 AI Agent 获得操作电脑的能力。Mano-CUA Skills 提供两种使用形式详见 README_CN.md1️⃣ mano-cuaCLI 命令行工具—— 面向人类用户# 通过 Homebrew 一键安装 brew tap Mininglamp-AI/tap brew install mano-cua # 直接下达自然语言任务 mano-cua run 打开 Safari 并搜索 Python2️⃣ mano-skillClawHub Skill 形式—— 面向 AI Agent安装后Claude Code、OpenClaw 等 Agent 会在推理链路中自主调用GUI 自动化能力无需手动触发命令适合复杂的多步骤任务工作流。 这一阶段的价值打通 Agent 工作流中人类介入的瓶颈让 GUI 自动化能力像 Skill 一样即插即用。 第二阶段开源本地模型与 SDK数据不再离开你的 Mac目标用户对数据安全有高要求的开发者从第二阶段开始Mano-P 的4B 端侧 GUI-VLA 模型与推理 SDK 全部开源。这意味着本地推理模型基于 MLX 直接在 M4 芯片 32GB 内存的 Mac mini / MacBook 上运行也可通过 USB 4.0 连接的算力棒即插即用运行更大模型零数据外发截图与任务描述零外发无网络依赖适合处理敏感信息与高安全场景端侧加速配套 Cider SDK 补齐 MLX 缺失的 W8A8 / W4A8 激活量化原语decode 可达 ~80 tokens/s在真机测试中本地 Mano-CUA-4B 以 56% 通过率大幅超越云端通用视觉大模型的 39%——GUI 专用小模型 端侧部署就是私有 AI 的正确姿势。模型在各类 GUI Grounding 基准上同样表现领先本地模式完整流程见 README_CN.mdmano-cua check # 首次使用检查环境、安装 SDK mano-cua install-model # 拉取本地模型 mano-cua run 在搜索框中输入 hello --local 第三阶段开源训练方法与量化技术训练你自己的端侧模型目标用户有特定模型训练需求的开发者这是路线图最深的一步Mano-P 模型背后的训练方法论将全部公开包括详见 README_CN.mdMano-Action 双向自增强训练Text ↔ Action 循环一致性学习让模型同时掌握从描述定位元素与描述给定元素两个方向的能力形成自我强化的数据闭环三阶段渐进训练SFT监督学习→ 离线强化学习 → 在线强化学习视觉 Token 剪枝GSPruning 等方法让高分辨率界面处理提速 2-3 倍混合精度量化INT8 激活量化等端侧部署优化让大参数量模型跑进 Mac mini届时你可以把自己的领域数据喂进去训练出医疗、金融或企业内部系统专属的端侧 GUI-VLA 模型——私有 AI 不再只是用而是造。️ 硬件要求与快速上手项目要求直装推理Mac mini / MacBookApple M4 芯片 32GB 内存及以上算力棒方案任意 Mac Mano-P 算力棒USB 4.0 连接即插即用系统权限屏幕录制 辅助功能权限三步跑通私有 AI 的本地推理FAQ 原文见 README_CN.mdbrew install mano-cua安装 CLImano-cua check mano-cua install-sdk mano-cua install-model准备本地环境mano-cua run 你的任务 --local开始本地执行 写在最后从 Skills 到本地模型再到训练方法Mano-P 的三阶段开源路线图精准覆盖了Agent 爱好者 → 安全敏感开发者 → 模型训练者三类人群。项目采用 Apache License 2.0 协议支持商业使用与二次开发。Mano 在西班牙语中意为手P 代表 Private。当 AI 真正长在你自己的设备上人机协同的未来才刚刚开始——而这张路线图就是通往它的完整地图。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
