Microsoft dengan agen multimodal 7B ini cukup menarik, lisensi MIT langsung open source, jalur otomatisasi web jadi semakin kompetitif

Microsoft 发布了 Fara-7B，一款具有7B参数的多模态智能体，专为计算机使用场景设计。能够同时处理截图与文本，直接预测带参数的思维链与操作动作，基于 Qwen 2.5-VL 构建，支持128k上下文，使用64块H100训练2.5天，采用MIT许可发布。它通过截图感知浏览器输入，结合推理与历史状态预测下一步操作及坐标等参数，依赖大规模全合成数据。具备规划执行高级任务的能力，并采用稳健后训练的安全对齐，能够拒绝违规任务并在关键点暂停。可以通过GitHub、vllm、fara-cli进行部署与交互，用于自动化网页任务。