Fara 1.5 - マイクロソフトのブラウザベースAIエージェントモデルシリーズ

Fara 1.5とは何ですか？

Fara 1.5は、Microsoft Research AI Frontiersが開発した最新のブラウザベースAIエージェント（CUA）モデルシリーズで、4B、9B、27Bの3つのパラメータバージョンがあります。ファインチューニングされたQwen 3.5をベースに、ピクセルレベルのスクリーンショット入力のみを使用し、観察・思考・行動のループを通してマウスとキーボード操作を出力します。Online-Mind2Webベンチマークでは、バージョン27Bが72%のタスク成功率を達成し、OpenAI OperatorとGemini 2.5 Computer Useを上回りました。このモデルはMagenticLiteサンドボックスブラウザで使用され、フォーム入力、サイト間価格比較、イベント予約などの複雑なWebページタスクをサポートし、主要な操作の前にユーザーの確認を積極的に要求します。

Fara 1.5の主な機能

• ピクセルレベルのブラウザ制御DOMやアクセシビリティツリーに頼ることなく、ブラウザのスクリーンショットを直接読み取り、クリック、入力、スクロール、ドラッグなどのピクセルレベルのマウスおよびキーボード操作を出力します。
• ウェブページ固有のショートカットウェブ検索、URL訪問、戻るなどの高度なウェブページ操作をサポートし、タスク実行効率を向上させます。
• コンテキスト管理メタアクション組み込みの記憶、ユーザーに尋ねる、完了などのアクションにより、長期タスク記憶と協調的な人間とコンピュータのインタラクションをサポートします。
• セキュリティサンドボックスの実行これはMagenticLiteサンドボックスブラウザを介して実行され、ユーザーのデバイスとの間にセキュリティ境界を形成するため、すべての操作は追跡可能です。
• マルチスケール展開本製品は4B、9B、27Bの3つのバージョンを提供しており、エッジデバイスの軽量な導入と高性能なシナリオの両方に対応している。

Fara 1.5の技術原理

• インフラストラクチャーQwen3.5をベースチェックポイントとして使用し、約200万個の有効なサンプルを用いて教師ありファインチューニング（SFT）を行った。
• 観察・反省・行動のサイクル各入力ステップには、対話履歴全体と直近のブラウザスクリーンショット3枚が含まれます。モデルはまず推論プロセス（思考）を出力し、次に次の最小単位のアクション（アクション）を予測します。
• スライディングウィンドウ損失マスク交差エントロピー損失は、直近3ラウンドの思考トークンと行動トークンのみに対して計算されます。過去のスクリーンショットや以前の手順は、入力コンテキストとしてのみ使用されます。
• FaraGen 1.5 合成データエンジン軌跡は、教師エージェント（GPT-5.4 + Fara1.5ツールの機能制約）とユーザーシミュレーターとの複数回のインタラクションを通じて生成されます。生成された軌跡は、正確性、効率性、ユーザーインタラクションの3つの検証器によってフィルタリングされ、ログイン状態や不可逆的な操作など、実際のWebページから収集できないデータを補完します。
• トレーニングデータの割り当てウェブページの軌跡 60%、合成環境 12.8%、フォーム入力とユーザーインタラクション 12.5%、事実の定着 8.8%、視覚的な質問応答 4.9%。

Fara 1.5の使い方

• 環境準備Fara 1.5シリーズのエージェント専用に設計されたインターフェースであるMagenticLiteサンドボックスブラウザをインストールしてください。これにより、隔離された実行環境が提供されます。
• モデルハードウェアとパフォーマンスの要件に基づいて、Fara1.5-4B、9B、または27Bモデルを選択し、モデルの読み込みとブラウザインスタンスの初期化を完了してください。
• タスクを割り当てるウェブページのタスクを自然言語で説明してください。例：「11月24日から28日までニューヨークのホテルを予約する」。
• ループ内で実行するこのモデルは、タスクが完了するか、重要なノードでユーザーに積極的に指示されるまで、自動的に観察・思考・行動のループに入り、スクリーンショットを読み取り、推論を行い、単一ステップのアクションを実行します。
• 確認と介入情報が不足している場合、タスクの説明が曖昧な場合、または取り消し不可能な操作が発生した場合、モデルは一時停止し、操作の安全性を確保するためにユーザーの確認を求めます。

Fara 1.5の主な利点

• 同規模クラスでトップクラスのパフォーマンスFara 1.5-9BはOnline-Mind2Webで63.4%の成功率を達成し、同規模のGUI-Owl-1.5-8B（48.6%）を15パーセントポイント近く上回り、このパラメータレベルにおける最先端（SOTA）記録を樹立しました。Fara 1.5-4Bは57.3%のスコアで、前身のFara-7B（34.1%）のほぼ2倍となり、小型モデルでも複雑なブラウザタスクを処理できることを証明しました。
• 完全にビジョン主導型で、外部依存は一切なしDOMツリーを解析せず、アクセシビリティインターフェースにも依存せず、ピクセル単位のスクリーンショットのみでページを理解するため、適応性が高く、ウェブページの構造やフロントエンドフレームワークの変更に左右されません。
• 公開ウェブページの境界を破るFaraGen 1.5合成データエンジンを使用して、ログインが必要な、または不可逆的な操作を伴う電子メール、カレンダー、メディアプラットフォームなどのシナリオをシミュレートすることで、モデルの機能は「読み取り専用の閲覧」から「書き込み可能なインタラクション」へと拡張されます。
• 控えめなハードウェアでも展開可能バージョン4Bと9Bは一般的な民生用ハードウェアで動作するため、企業や開発者にとっての参入障壁が低くなります。一方、バージョン27Bは究極のパフォーマンスを追求するシナリオ向けに設計されています。

Fara1.5プロジェクトの住所

• プロジェクト住所：https://www.microsoft.com/en-us/research/articles/fara1-5-computer-use-agent/
• GitHubリポジトリ：https://github.com/microsoft/fara

Fara 1.5と類似の競合製品との比較

Fara 1.5の応用シナリオ

• 自動フォーム入力採用、経費精算、予約などの長いフォームの項目を自動的に識別し、情報を入力します。項目が未入力の場合は、ユーザーに積極的に確認します。
• 複数のサイト間での価格比較と調査複数のECサイトや情報サイト間でユーザーを自動的にリダイレクトし、製品のパラメータと価格を取得し、結果を要約して比較します。
• スケジュールと予約業務ホテル、航空券、会議室などの予約手続きを完了してください。この手続きには、複数回のクリック、日付選択、支払い確認が必要です。
• メールとコンテンツ管理合成環境のサポートにより、メール送信、下書き保存、添付ファイルアップロードなど、アカウント権限に関わる操作を実行できます。
• アクセシビリティ視覚障害者や身体機能に制限のあるユーザー向けに、自然言語処理によるウェブナビゲーションおよびインタラクションエージェントを提供します。