7B 参数就能操控浏览器，MIT 许可直接开源，微软这波有点狠。

微软发布 Fara-7B，7B 参数的多模态智能体，专为计算机使用场景设计。可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，128k 上下文，64 块 H100 训练 2.5 天，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能力，并采用稳健后训练的安全对齐，能拒绝违规任务并在关键点暂停。可通过 GitHub、vllm、fara-cli 部署与交互，用于自动化网页任务。