Fara-7B 基於 Qwen2.5-VL 做多模態操作預測，128k 上下文+合成數據訓練，網頁自動化的新基準來了

微軟發布 Fara-7B，7B 參數的多模態智能體，專為計算機使用場景設計。可同時處理截圖與文本，直接預測帶參數的思維鏈與操作動作，基於 Qwen 2.5-VL 構建，128k 上下文，64 塊 H100 訓練 2.5 天，MIT 授權發布。它通過截圖感知瀏覽器輸入，結合推理與歷史狀態預測下一步操作及坐標等參數，依賴大規模全合成數據。具備規劃執行高級任務能力，並採用穩健後訓練的安全對齊，能拒絕違規任務並在關鍵點暫停。可通過 GitHub、vllm、fara-cli 部署與交互，用於自動化網頁任務。