Beobachtetes Signal · 24. Apr. 2026 · Technical Release · Quelle: DEV Community · Relevanz: 2/5 · Sentiment: Positiv
Mano-P: Edge-Native KI-Agent stellt Datensouveränität wieder her
Der Artikel stellt Mano-P vor, eine Open-Source-Architektur für edge-native KI-Agenten, die vollständig auf lokaler Hardware läuft, um die Datensouveränität zu wahren und Cloud-Abhängigkeiten zu reduzieren. Mano-P nutzt rein visuelles Verständnis über Screenshots, w4a16-Quantisierung und GS-Pruning, um ein Modell mit 4 Milliarden Parametern interaktiv auf Consumer Apple Silicon auszuführen. Getestet auf einem Apple M4 Pro (32 GB) liefert das Modell 476 Token/s Prefill, 76 Token/s Decode und benötigt maximal 4,3 GB Speicher. Zitierten Benchmarks zufolge erreicht es eine Erfolgsquote von 58,2 % bei OSWorld sowie 41.7 NavEval beim WebRetriever Protocol I und übertrifft damit größere Cloud-Modelle bei GUI-Automatisierungsaufgaben. Das Projekt folgt einer dreistufigen Trainingspipeline (SFT, Offline-RL, Online-RL), unterstützt lokales USB-4.0-Beschleuniger-Offloading und wird schrittweise als Open Source unter Apache 2.0 veröffentlicht.
Demonstriert praktische, Open-Source-basierte Edge-Inferenz für KI-Agenten zur Wahrung der Datensouveränität mit wettbewerbsfähigen On-Device-Benchmarks. Dies ist für datenschutzsensible Anwendungen und On-Device-Trends relevant, stellt jedoch keine marktbewegende Ankündigung einer Großplattform dar.
Marktsignale zu Apple in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Mano-P ist ein Open-Source-GUI-Agent unter Apache-2.0-Lizenz (GitHub: Mininglamp-AI/Mano-P).
- Das 4B-Modell nutzt w4a16-Quantisierung; auf einem Apple M4 Pro (32 GB) erreicht es 476 Token/s Prefill, 76 Token/s Decode und 4,3 GB Peak-Speicher.
- Benchmarks: 58,2 % Erfolg bei OSWorld und 41,7 NavEval bei WebRetriever Protocol I, womit größere Cloud-Modelle bei GUI-Automatisierungen übertroffen werden.
- Architektur: rein visuelle Eingabe (Screenshots), dreistufiges Training (SFT, Offline-RL, Online-RL) und GS-Pruning zur Reduzierung der Modellgröße.
- Unterstützt reinen Lokalbetrieb ohne Telemetrie sowie optionales Offload auf einen physischen USB-4.0-Inferenzbeschleuniger zur Wahrung der Datensouveränität.
Verknüpfte Unternehmen
5 verknüpfte UnternehmenOntologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Mano-P: Open-Source On-Device GUI-Agent und Führungswechsel bei Apple
Der Artikel stellt Mano-P vor, einen Open-Source On-Device GUI-Agenten für macOS, der per Pure-Vision-Ansatz grafische Benutzeroberflächen bedient. Unter Apache 2.0 veröffentlicht (GitHub: Mininglamp-AI/Mano-P), nutzt das Tool eine dreistufige Trainingspipeline aus Supervised Fine-Tuning, Offline-RL und Online-RL sowie eine Think-Act-Verify-Inferenzschleife zur Selbstkorrektur. Benchmarks zeigen eine Erfolgsquote von 58,2 Prozent für das 72B-Modell auf OSWorld und 41,7 NavEval Punkte auf WebRetriever Protocol I, womit es einige Wettbewerber übertrifft. Eine quantisierte 4B-w4a16-Variante läuft lokal auf dem Apple M4 Pro (476 Tokens/s Prefill, 76 Tokens/s Decode, 4,3 GB Peak-Memory). Zudem gab Apple bekannt, dass Tim Cook als Executive Chairman wechselt und John Ternus zum 1. September neuer CEO wird.
Mano-P On-Device GUI Agent, Cider SDK und Mano-AFK Open-Source veröffentlicht
Mininglamp-AI hat einen vollständigen On-Device GUI-Agenten-Stack für Apple Silicon als Open Source veröffentlicht, der das lokale Modell Mano-P 1.0-4B, das Cider INT8 Activation Quantization Inference SDK sowie Mano-AFK umfasst. Der Stack arbeitet vollständig offline, sodass Screenshots und Aufgabendaten auf dem Gerät verbleiben. Mano-P nutzt eine dreistufige Trainingspipeline aus SFT, Offline-RL und Online-RL sowie eine Think-Act-Verify-Schleife. Cider stellt über benutzerdefinierte Metal-Kernels W8A8- und W4A8-Modi bereit, um eine INT8-Quantisierung auf MLX zu ermöglichen, und erzielt messbare Prefill-Beschleunigungen gegenüber nativen MLX-Modi. Die Veröffentlichung beinhaltet Hardware-Empfehlungen, Leistungsdaten sowie GitHub-Repositories und Downloads auf HuggingFace und ModelScope.
Vision-basierte AI Agents sprengen Browser-Grenzen für GUI-Automatisierung
Der Artikel beleuchtet einen rein visuellen Ansatz zur GUI-Automatisierung, bei dem AI Agents über Pixel statt über Browser-DOM oder OS Accessibility APIs mit beliebigen Applikationen interagieren. Verglichen werden HTML-Parsing, Accessibility APIs und vision-only-Ansätze. Als funktionierendes System wird Mano-P vorgestellt – ein Open-Source GUI-Agent-Modell von Mininglamp-AI unter Apache-2.0-Lizenz. Mano-P erreicht im cross-application OSWorld Benchmark eine Erfolgsquote von 58,2 Prozent (gegenüber 45,0 Prozent des Zweitplatzierten), schlägt Konkurrenten beim Web-Navigation-Benchmark und läuft dank w4a16-Quantisierung als 4B-Parameter-Modell lokal auf dem Endgerät. Thematisiert werden zudem das dreistufige Training (SFT, Offline RL, Online RL), Modellkomprimierung via GS-Pruning, Edge-Performance auf dem Apple M4 Pro sowie ein phasenbasierter Rollout.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.