Когда OpenAI представила «компьютерные агенты», стало ясно: наступает эра моделей, которые не просто генерируют текст, а управляют устройствами. Но Microsoft сделала шаг в сторону реальной массовости: выпустила Fara-7B — компактную 7B-модель, которая взаимодействует с вебом так же, как человек.
Не через DOM, не через API сайта.
А через зрение + мышь + клавиатуру.
Это принципиально другое качество моделей: Fara чувствует интерфейс глазами, кликает по координатам, скроллит, печатает и совершает сложные последовательности действий на реальных сайтах.
🧠 В чём ключевой прорыв Fara-7B
Microsoft не скрывает: Fara — это модель из класса агенты, управляющие компьютером (Computer Use Agents - CUA). Но в отличие от многих гигантов на 50–100 млрд параметров, Fara сделана максимально практичной:
✨ 1. 7 миллиардов параметров — и всё локально
Эта модель реально запускается:
- на обычном GPU с VLLM,
- на локальной машине без удалёнок,
- на Azure Foundry для тех, кто не хочет качать веса.
Пользовательские данные при этом остаются локально — огромный плюс для приватности.
✨ 2. Визуальное управление интерфейсом
Fara не использует дерево доступности (accessibility tree), не строит отдельные графы DOM.
Она видит страницу как картинку и действует:
- клики по пиксельным координатам 🖱️
- ввод текста ⌨️
- пролистывание и навигация
- выбор нужных элементов по их визуальной форме
Это похоже на ранние исследования компьютерного зрения, но впервые — в продуктивной, компактной модели.
✨ 3. 145 тысяч синтетических траекторий
Тренировочный датасет полностью создан агентами в рамках Magentic-One.
Это непросто набор кликов, а именно:
- разнообразные сайты,
- сложные задачи,
- вариативные сценарии,
- ошибки, тайминги, корректировки.
Fara — это модель, которая научилась работать в условиях реальной веб-среды, а не идеальной песочницы.
🚀 Производительность: скорость стала важнее параметров
Microsoft хвастается не параметрами — а шагами.
Вот главное открытие:
⏱️ Fara-7B выполняет веб-задачи в среднем за 16 шагов.
Для сравнения:
- другие модели требуют ~41 шаг
- Fara быстрее в 2,5 раза
Почему это важно?
В веб-агентности каждый шаг стоит дорого:
⌛ новые запросы, загрузка страниц, задержка сети, ошибки интерфейса.
Быстрая модель ≠ удобство,
Быстрая модель = корректная стратегия действий.
Fara не просто умная — она экономная.
🧪 Новые бенчмарки: WebTailBench как реальный тест, а не игрушка
Microsoft представила WebTailBench — 609 задач из реальных сайтов.
Не лабораторные эксперименты, а настоящие кейсы:
- 🛒 шопинг
- ✈️ поиск авиабилетов
- 🏨 отели
- 🍽️ рестораны
- 🎟️ бронирование мероприятий
- 🏠 недвижимость
- 💼 вакансии
- 🧩 многошаговые комбо-задачи (сравнение товаров, составление списка, кросс-сайтовые переходы)
И вот что любопытно:
👉 Fara-7B стабильно бьёт другие модели того же размера
👉 и даже опережает ряд крупных систем, включая OpenAI computer-use-preview и UI-TARS-1.5-7B
Особенно сильно Fara показывает себя там, где нужен контекст и стратегия, а не просто последовательность кликов.
🔧 Техническая сторона: почему модель такая эффективная
Fara построена на Qwen2.5-VL-7B — мощной мультимодальной архитектуре, способной обрабатывать изображения с высокими деталями.
Ключевые инженерные особенности:
- 🖼️ визуальный энкодер высокого разрешения
- 🎯 прямой регресс координат действия
- 🧮 supervised fine-tuning на синтетических траекториях
- 🧵 интеграция с playwright для детерминированной среды выполнения
- 🧩 абстрактный Web Agent Interface, позволяющий подключать любую модель к тестам
По сути, Microsoft построила «научный станок» для массовой и быстрой оценки компьютерных агентов.
И Fara — первый результат этой инфраструктуры.
💭 Мой взгляд: это начало нового класса персональных ИИ
Для меня Fara-7B — пример того, куда движется ИИ ближайших лет:
- ИИ, который видит, а не интерпретирует HTML.
- ИИ, который делает, а не только говорит.
- ИИ, который запускается локально, а не в гигантских кластерах.
- ИИ, который становится частью компьютера, а не чат-ботом в браузере.
И вот что особенно важно:
Microsoft сделала модель маленькой, а не огромной.
Это философия edge-компьютинга:
«Лучше быстрый и компактный агент, чем огромная, но неповоротливая LLM».
Fara открывает путь к:
- персональным ИИ-ассистентам,
- автономным веб-ботам,
- RPA (роботизированная автоматизация) нового поколения,
- ИИ, который реально заменяет рутинные действия человека.
🔗 Источники
GitHub репозиторий: https://github.com/microsoft/fara