模型详情
模型介绍
中文整理# Fara1.5-9B 模型卡片
模型用途
Fara1.5-9B 是由 Microsoft Research AI Frontiers 开发的多模态计算机使用代理（CUA），专用于 Web 浏览器。该模型通过截图观察浏览器界面，代表用户执行结构化工具调用（如点击、输入、滚动、访问URL、网页搜索等），端到端完成各类任务。
## 主要能力
- *端到端网页任务完成**：可填写表单、预订餐厅、申请职位、规划行程、管理购物车等，不仅限于点击操作，而是按目标序列执行动作。
- *纯视觉感知**：仅通过截图操作，无需访问DOM或无障碍树，匹配人类用户的输入模态。
- *坐标锚定动作**：直接预测像素级点击和拖拽目标，无需单独的锚定模型。
- *关键点安全设计**：在涉及个人信息输入、支付、提交、登录、发送消息或其他不可逆操作时，会暂停并询问用户。
- *长上下文**：262K token 上下文长度，支持多截图轨迹及完整动作历史。
- *可本地运行**：9B 参数，可在单张 A100/H100/B200 GPU 上运行，保留截图历史空间。
## 输入输出
- *输入**：用户目标（文本）、当前截图、代理之前的思考和动作
- *输出**：思维链（Chain-of-thought）区块 + 工具调用区块（XML 格式）
运行要求
- *依赖库**：
- torch >= 2.11.0
- transformers >= 5.2.0
- vllm >= 0.19.1
- *硬件**：GPU 需有足够显存运行 9B 模型 bf16 精度（已测试 A6000、A100、H100、B200）
- *屏幕分辨率**：推荐 1440×900，与模型训练环境一致以获得最可靠的锚定效果
基本用法
建议仅与 MagenticLite 或 Github/fara CLI 配合使用。
- *MagenticLite 部署提供**：
- 沙盒环境：浏览器在 Docker 容器中运行，无法访问主机文件或环境变量
- 允许列表：限制导航至用户指定的域名集合
- 监控模式：实时监控每一步操作并提供完整追踪日志
- 暂停功能：可随时立即停止代理活动
- *支持的工具调用操作**：
- 鼠标点击：左键、右键、双击、三击
- 鼠标移动与拖拽
- 键盘输入
- 页面滚动
- 访问URL、后退历史
- 网页搜索
- 暂停并记忆事实
- 向用户提问
- 等待指定秒数
- 终止任务
限制
- *感知局限**：纯视觉感知可能被欺骗性或低质量页面渲染、页面内容中的提示注入、或 UI 元素的视觉歧义所误导。
- *误差累积**：多步骤轨迹中，早期误点击可能累积导致后续失败。
- *运行差异**：多轮任务的运行间方差不可忽略，基准测试数据为多次运行平均值。
- *幻觉风险**：模型可能虚构页面状态或错误归因先前截图中的信息。
- *语言限制**：训练数据仅限英语，不支持其他语言。
- *不适用场景**：
- 高风险领域（法律、医疗、金融建议），错误操作可能导致伤害
- 影响法律状态、住房、就业或信用的分配决策
- 未添加额外测试和保护措施的商业或实际生产环境使用
- 未沙盒化部署且可访问敏感账户或文件
许可证
MIT 许可证
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行环境
运行模型需要的设备、工具与依赖，以原作者说明为准。
授权范围
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。