微软首款专为电脑操作设计的开源智能体小模型 Fara-7B 发布：支持 Win11 端侧运行，性能达同级最强

（由多段落组成）：

近日，微软在人工智能领域再出重磅动作——正式发布其首款专为计算机操作设计的小型开源语言模型 Fara-7B。这一消息由IT之家热心网友补药吖与西窗旧事提供线索，引发科技圈广泛关注。该模型于当地时间11月24日亮相，定位为“Agentic”智能体，能够通过模拟鼠标点击、键盘输入等操作，自主完成网页任务，标志着AI从“对话助手”向“操作执行者”的关键演进。

Fara-7B 拥有70亿参数规模，属于小型语言模型（SLM），却在同类模型中展现出领先性能。不同于传统依赖文本交互的聊天式AI，Fara-7B 的核心能力在于视觉理解与界面操作。它能直接解析网页截图，识别按钮、输入框等UI元素，并精准执行点击、滚动、填写表单等动作，整个过程无需依赖辅助性技术如可访问性树（Accessibility Tree），也无需多个大模型协同工作，极大提升了运行效率和部署灵活性。

为了训练这一具备“动手能力”的AI代理，微软构建了一套全新的合成数据生成流程，基于 Magentic-One 框架，涵盖任务生成、求解与轨迹验证三大阶段。训练数据来源于真实用户行为和实际网页场景，最终整合了约14.5万条任务路径、超过100万个操作步骤，并融合定位、图像描述、视觉问答等多种辅助任务，确保模型具备高度泛化能力。值得一提的是，Fara-7B 基于 Qwen2.5-VL-7B 架构开发，支持长达128k的上下文长度，在复杂任务处理中表现更从容。

在实际操作中，Fara-7B 会先进行内部推理，明确下一步动作意图，再调用标准自动化工具如 Playwright 执行具体指令（例如 click(x,y) 或 type()），并支持高级宏命令如 web_search()。整个训练过程以监督微调为主，暂未引入强化学习机制。测试结果显示，该模型在 WebVoyager、Online-Mind2Web、Deepshop 等公开基准测试中成绩优异，尤其在部分任务上超越同级别模型 UI-TARS-1.5-7B，甚至可媲美使用复杂提示工程驱动的 GPT-4o 系统。

第三方评测机构 Browserbase 还对 Fara-7B 进行了人工验证，在 WebVoyager 测试集中实现了62%的任务通过率（含重试机会），显示出较强的实用性。尽管如此，微软强调 Fara-7B 目前仍处于实验性阶段，尤其在复杂逻辑判断、严格遵循指令以及减少“幻觉”行为方面仍有优化空间，后续将持续迭代升级。

考虑到此类模型可能涉及隐私泄露或误操作风险，微软内置了多重安全防护机制。例如，当模型检测到敏感操作（如提交个人信息或执行不可逆操作）时，会自动暂停至“关键点”，等待用户确认；所有操作均被完整记录；模型必须在沙箱环境中运行；同时在训练中加入了拒绝非法请求的样本。实测显示，在 WebTailBench-Refusals 的111项红队攻击测试中，Fara-7B 成功拒绝了82%的不当请求，安全性表现突出。

目前，Fara-7B 已通过 Microsoft Foundry 和 Hugging Face 平台以 MIT 开源协议免费发布，并集成进 Magentic-UI 研究原型中，供开发者自由使用与二次开发。未来，微软还将推出量化版本及针对 Copilot+ PC 设备优化的轻量版模型，用户可通过 VSCode 的 AI Toolkit 下载，在 Windows 11 系统本地运行，充分利用NPU加速能力，实现低延迟、高响应的端侧智能体验。

展望未来，微软表示将继续探索更强的客户端通用代理（CUA）模型，方向包括采用更先进的底座模型、结合真实环境与沙盒中的强化学习训练方式等。随着AI从“看懂”到“动手”的跨越，Fara-7B 不仅是技术突破的象征，也为自动化办公、无障碍访问、智能测试等领域打开了全新可能性。

Fara-7B, 微软AI, 开源语言模型, 计算机操作代理, 端侧AI

本文来源：