microsoft/fara

解決的問題

Fara1.5 解決了建立能真正像人類一樣使用電腦的 AI 代理的困難。它不依賴基於文字的可存取性樹狀結構或獨立的解析模型，而是讓代理能視覺感知瀏覽器，並透過滑鼠與鍵盤輸入執行多階段任務。

工作原理

Fara1.5 是基於 Qwen3.5 建構的三種尺寸（4B、9B、27B）的原生電腦使用代理（CUA）家族。它採用「觀察－思考－行動」循環：模型取得瀏覽器的螢幕截圖與對話歷史，分析目前狀態，然後預測滑鼠點擊或鍵盤輸入的具體座標。

為訓練這些模型，微軟開發了 FaraGen1.5，這是一個可擴展的資料流程，利用合成環境（如郵件、日曆等的複製）以及求解器與驗證系統，生成高品質訓練資料，而無需完全依賴昂貴的人工示範。

適用對象

專為希望建構自主網頁代理的研究人員與開發者設計，也適用於希望自動化日常網頁任務（如預訂旅行、比價、填寫表單）的使用者。

主要亮點

• 視覺操作：透過直接座標預測與網頁互動，而非依賴可存取性樹狀結構。
• 緊湊規模：提供 4B、9B 和 27B 參數版本，實現更低延遲與更佳隱私保護。
• 類人互動：經過訓練，可主動詢問遺漏資訊、標記模糊點，並在執行不可逆操作前暫停等待批准。
• 全面基準測試：包含 WebTailBench（用於真實世界任務）與 CUAVerifierBench（用於評估評分代理表現的裁判）。