微软发布Fara-7B 能直接在PC上运行 性能可与GPT-4o媲美

11月24日，微软宣布推出7B参数AI模型Fara-7B，定位为“计算机使用代理（Computer Use Agent， CUA）”，可直接在用户本地设备上运行复杂任务。Fara-7B不仅实现了同等规模下的最佳性能，还使AI代理摆脱了对庞大云端模型的依赖，可在资源有限的系统上实现低延时与更强的数据隐私保障。

据介绍，Fara-7B的架构直击企业用户最关注的数据安全需求。由于模型足够精简，可以在本地运行，用户可在敏感工作流程（如内部账户管理或涉密数据处理）中实现自动化，相关信息始终不会离开本地设备，极大提高了隐私和合规性。

Fara-7B通过“看屏操作”进行网页交互。它使用截图，像人类一样通过“视觉感知”页面布局，预测坐标完成点击、输入、滚动等动作，并不依赖于浏览器的底层无障碍树结构。这种仅靠像素级视觉信息“操作”的方法，使其可以在代码结构混乱、页面难以解析的网站上正常工作。

微软研究院高级产品经理Yash Lara表示，完全在本地处理视觉输入，实现了真正的“像素主权”，让自动化和数据推理过程均不出本地，从而满足医疗、金融等强监管行业的合规需求。

在WebVoyager等标准测试中，Fara-7B的任务成功率为73.5%，优于资源耗费更大的GPT-4o（65.1%）和UI-TARS-1.5-7B（66.4%）等模型。同时，Fara-7B完成任务平均只需16步，而UI-TARS-1.5-7B为41步，效率明显提升。此外，Fara-7B在准确率与成本之间表现出最佳性价比。

不过，微软也强调该模型仍存在通用AI系统的问题，如幻觉、复杂指令处理失误等。为降低风险，Fara-7B引入了“关键点”机制：在涉及用户个人数据或不可逆动作（如发送邮件、金融操作）前，模型会主动暂停并请求用户确认。微软设计了配套的人机交互UI（Magentic-UI），让用户及时干预、避免过度打扰。

Fara-7B的开发采用“知识蒸馏”方式，将多智能体系统的大量成功案例（14.5万个由Magentic-One生成的自动导航轨迹）压缩转化到单一模型中。其底座模型为Qwen2.5-VL-7B，具备最长128，000词的上下文窗口和强大的文本与视觉元素对齐能力。整个过程以监督微调为主，让模型“模仿”人类专家的示范。

对于未来，微软强调不会一味增大模型体量，而是聚焦“让小模型更聪明更安全”。后续计划将合成环境中的强化学习机制（RL）引入训练，让Fara-7B在沙箱环境中自主学习。

目前，Fara-7B已通过MIT协议在Hugging Face及微软Foundry平台开放发布，允许商用，但微软提醒模型尚未达到生产级别，主要适合原型开发和测试。