微软发布 MagenticLite：让小模型串起浏览器与本地文件操作

想让 AI 帮你订票、填表、整理电脑文件，行业以往的直觉是塞给它一个顶配大模型。毕竟既要看懂网页，又要写脚本操控终端，脑力不够容易翻车。

微软亚洲与总部的 AI 团队最近换了一条思路。他们认为 Agent 的核心能力在于工具编排和执行，不在于脑子里装了多少百科全书。5 月 21 日，微软研究院正式推出了实验性 Agent 系统 MagenticLite。

作为 Magentic-UI 的下一代方案，MagenticLite 最大的特点是完全基于小模型驱动，却能在单个流程里打通浏览器和本地文件系统。

14B 当总指挥，4B 到 27B 负责跑腿

这套系统没有用庞然大物，而是靠两类定制小模型分工合作。

负责总控的是 MagenticBrain，一个 14B 参数的编排模型。它基于 Qwen 3 14B 微调，负责把模糊需求拆成具体步骤、写代码跑终端，或者适时把任务甩给其他子模型。因为训练环境和运行框架完全一致，它在做决策时很少卡壳。

真正动手操控浏览器的则是 Fara1.5 家族。这套专门处理电脑操作的模型基于 Qwen 3.5 打造，提供了 4B、9B 和 27B 三种尺寸，官方推荐 9B 作为主力主力款。

去年 11 月微软发过 Fara-7B，这次 Fara1.5 在包含 300 个真实任务的 Online-Mind2Web 基准测试中，成绩几乎比上一代翻了一倍，刷新了同尺寸模型的纪录。尺寸最大的 27B 版本跑分更是超过了 90%。

专为小模型重写的运行底座

小模型最大的痛点是记性差、上下文长了容易注意力涣散。微软为此给 MagenticLite 重构了专门的执行框架 Harness。

框架不会把几百步的操作记录一口气塞给模型，而是主动提炼摘要，每一步只给模型当下最需要的信息。遇到复杂工作，它采用逐步规划，走一步看一步，中途出错也能及时修正。

为了防止 AI 在用户电脑上乱来，整套系统套在一个名为 Quicksand 的开源沙箱里运行。Quicksand 基于 QEMU 打造，将浏览器会话和终端脚本与真实系统隔离开来。

在安全性上，上一代 Fara-7B 经常在表单提交和登录时过度弹窗打扰用户。Fara1.5 重新校准了安全阈值，保留关键资金交易确认的同时，让普通网页交互更连贯。

为什么重要

我们认为 MagenticLite 走出了极其实用的一步。长期以来，端侧 Agent 最大的阻力就是云端大模型太贵、延迟太高，而且没人愿意把本地文件和敏感网页凭证传到第三方服务器。微软这套打法证明了，哪怕只有 9B 到 14B 的小身材，靠精准的分工编排和框架调优，也能在本地端干好跨浏览器与终端的复杂活。

对开发者和极客来说，这意味着未来能在消费级硬件上跑起真正有用的私人助理，隐私完全留在本地。不过从当前来看，它仍然是一个偏实验性质的研究项目，依赖沙箱环境和特定的任务定义，普通用户想拿来当日常「开箱即用」的工具还为时尚早。

对行业而言，这给狂卷千亿参数的智能体竞争泼了点冷水。当开源小模型靠工具协同就能追平大模型在日常任务上的表现时，端侧设备普及自主 Agent 的速度，看起来会比预想中快得多。