Fara-7B використовує скріншоти та текст для безпосереднього прогнозування координат натискання, що фактично дає ШІ очі та руки, відкритий код за ліцензією MIT — справжня бомба.

Microsoft випустила Fara-7B, мультимодальний інтелектуальний агент з 7 мільярдами параметрів, спеціально розроблений для сценаріїв використання на комп’ютерах. Може одночасно обробляти скріншоти та текст, безпосередньо прогнозуючи ланцюги мислення з параметрами та дії операцій, побудовані на Qwen 2.5-VL, з контекстом 128k, тренувався 2,5 дні на 64 блоках H100, випущено за ліцензією MIT. Він сприймає браузерний ввід через скріншоти, поєднуючи логіку та прогнозування історичного стану для визначення наступних дій та параметрів, таких як координати, залежить від масштабних повністю синтезованих даних. Має здатність планувати та виконувати складні завдання, використовує надійне додаткове навчання для безпечного вирівнювання, може відмовитися від порушуючих правил завдань і зупинитися на ключових точках. Можна розгортати та взаємодіяти через GitHub, vllm, fara-cli, використовується для автоматизації веб-сторінкових завдань.