微软开源Fara-7B视觉语言模型：专攻网页自动化，端侧运行保护隐私

微软近日推出开源小型语言模型Fara-7B，专为计算机操作场景设计，通过视觉驱动实现网页任务自动化。该模型于11月24日正式发布，具备70亿参数，支持本地端侧运行，在隐私保护和低延迟方面表现突出。

Fara-7B采用创新性视觉交互机制，直接解析屏幕截图完成点击、输入等操作，无需依赖传统可访问性树或多模型协作。其核心技术基于Qwen2.5-VL-7B架构，支持128k上下文长度，通过Magentic-One框架生成的14.5万条任务轨迹进行监督微调训练，涵盖100万操作步骤及辅助视觉任务数据。

性能测试显示，在WebVoyager基准中任务通过率达62%-73.5%，优于UI-TARS-1.5-7B等同级模型，部分场景甚至可对标GPT-4o系统。操作效率方面，平均仅需16步即可完成任务，显著领先竞品的41步需求。微软特别开发了”关键点”安全机制，当涉及敏感操作时会暂停执行并请求用户确认。

目前该模型已在Microsoft Foundry和Hugging Face平台开源，未来版本计划支持NPU加速。研究人员指出，Fara-7B仍存在复杂任务准确性等局限，但其视觉驱动范式为AI智能体发展提供了新方向，特别是在处理动态网页时展现出独特优势。