微软开源端侧 Agent 模型 Fara-7B：70 亿参数，能替你上网点鼠标

Fara-7B 是微软开源的一款 70 亿参数计算机操作模型，专门用来替你在浏览器里点鼠标、敲键盘、跑日常网页任务。

以往要想让 AI 帮你订机票、填表或者比价，要么得调动昂贵的云端大模型，要么得写一套复杂的自动化脚本。Fara-7B 换了个思路，把复杂的控制逻辑浓缩进一个小尺寸模型里，能直接在端侧电脑上运行。

它能做什么

Fara-7B 操作电脑的方式和真人几乎一样。它不需要读取网页底层的辅助功能树，也不靠额外的页面解析模型，仅仅依靠浏览器当前界面的截图来理解内容。

每次执行操作时，模型会参考用户的指令、历史动作记录以及最近的三张截图。它会先输出一段思考推理，然后直接预测具体的鼠标坐标或按键操作，比如点击特定位置、输入文本、滚动页面，或者调用搜索和跳转链接等宏指令。

在任务测试中，它不仅能完成常规的信息检索和表单填写，还能处理跨店铺比价、餐厅订座、求职申请和房产查询等常见多步骤任务。

怎么做到的与实际表现

Fara-7B 以 Qwen2.5-VL-7B 为底座模型，利用其在视觉定位能力和最长 128k 上下文支持上的优势，没有使用强化学习，全靠高质量监督微调训练而成。

为了解决这类模型训练数据匮乏的问题，微软搭建了一套多智能体合成数据流水线，通过编排器、网页浏览者和验证器智能体互相配合，生成了包含 14.5 万条轨迹、覆盖 100 万步真实网页操作的数据集，最后把这些能力蒸馏到了这颗 70 亿参数的模型中。

在基准测试中，Fara-7B 在 WebVoyager 上的官方评测成功率达到 73.5%，在真实复杂网页测试 WebTailBench 上拿到 38.4%，表现甚至超过了部分体积大得多的云端方案，例如 OpenAI 的 computer-use-preview。第三方平台 Browserbase 用人工验证的方式对它进行独立测试，在带重试的 WebVoyager 环境下也跑出了 62% 的成功率。

不过作为实验性版本，它依然存在小模型常见的短板：在特别复杂的长任务中容易失准，偶尔不听指令，或是出现幻觉。官方特别提醒，不要用它处理涉及敏感数据或高风险的操作，最好在沙箱环境里运行并全程人工监控。

怎么跑起来

Fara-7B 目前已经在 Hugging Face 和 Microsoft Foundry 上线，采用非常宽松的 MIT 许可证，可以直接下载权重。

如果你手里有运行 Windows 11 的 Copilot+ PC，可以直接下载官方提供的量化优化版本开箱即用。同时它还集成了微软的 Magentic-UI 研究原型，方便开发者在本地搭建自己的智能体测试环境。

为什么重要

对于想要做本地网页自动化的开发者来说，Fara-7B 是目前门槛最低、也最值得动手的开源起点。它的参数量只有 70 亿，让整个自动化流程摆脱了高昂的云端 API 调用费，更关键的是浏览记录、账号信息等私密屏幕数据完全不需要上传云端，解决了端侧代理最棘手的隐私顾虑。

从技术路线上看，用多智能体系统合成数据再蒸馏给单体小模型的做法非常聪明，证明了端侧小模型完全能在特定专业操作任务上逼近前沿大模型。只要你在使用时加上沙箱和人工确认机制，它现在就能成为你日常处理机械化网页操作的实用工具。