microsoft/fara

何を解決するか

Fara1.5は、AIエージェントが実際に人間のようにコンピュータを使えるようにする難しさに対処します。テキストベースのアクセシビリティツリーまたは別々の解析モデルに依存するのではなく、ブラウザを視覚的に認識し、マウスおよびキーボード入力を使用してマルチステップタスクを実行できるようにします。

動作方法

Fara1.5は、Qwen3.5に基づいて構築された、3つのサイズ（4B、9B、27B）のネイティブコンピュータ利用エージェント（CUA）のファミリーです。これは「観察－思考－実行」のループで動作します：モデルはブラウザのスクリーンショットと会話履歴を取得し、現在の状態について推論した後、マウスクリックやキーボード入力の具体的な座標を予測します。

これらのモデルを訓練するために、MicrosoftはFaraGen1.5を開発しました。これは、合成環境（メール、カレンダーなど）を用い、ソルバーと検証システムを組み合わせて、高品質なトレーニングデータを生成するスケーラブルなデータパイプラインであり、高価な人間のデモに依存せずに済みます。

対象ユーザー

自律的なウェブエージェントを開発する研究者や開発者、また旅行の予約、価格比較、フォーム入力などの日常的なウェブタスクを自動化したいユーザーに向けられています。

主な特徴

• 視覚的操作：アクセシビリティツリーではなく、直接座標予測によるウェブページとのインタラクション。
• コンパクトなスケール：4B、9B、27Bパラメータバージョンで提供され、低レイテンシと高いプライバシーを実現。
• 人間らしいインタラクション：不足情報の確認、曖昧さの警告、不可逆的な操作を実行する前に承認を求めるように訓練されています。
• 包括的なベンチマーク：実世界のタスクを評価するためのWebTailBenchと、エージェントのパフォーマンスを評価するジャッジを検証するCUAVerifierBenchを含む。