模型介绍
中文整理Fara1.5-4B
模型用途
Fara1.5-4B是微软研究院AI Frontiers开发的多模态计算机使用代理（CUA），专为网页浏览器设计。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：仅通过截图进行感知，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动目标，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前，会停止并询问用户。
长上下文：262K token，支持多截图轨迹及完整动作历史。
可本地运行：4B参数，可在单张A100/H100/B200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、代理历史思考和动作
输出：思维链（Chain-of-thought）区块后接工具调用区块（XML标签格式）
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4B模型bf16精度（已测试A6000、A100、H100、B200）
基本用法
推荐通过MagenticLite或Github/fara CLI运行。推荐部署方案为MagenticLite，它提供沙盒隔离、域名白名单、实时监控和暂停功能。
系统提示：模型针对特定系统提示进行训练，需原样使用以获得最佳效果。完整提示（含工具schema）随MagenticLite一起分发。
工具类型：鼠标点击（左键、右键、双击、三击）、拖动、键盘输入、滚动、浏览器导航、网页搜索、暂停记忆、询问用户、等待、终止任务。
模型最常训练的屏幕分辨率为1440×900，建议在沙盒中匹配此分辨率以获得最可靠的锚定效果。
限制
语言限制：仅支持英语（训练数据仅含英文）
领域限制：不适用于高风险领域（法律、医疗、金融建议），不容忍可能导致伤害的不准确操作
部署限制：不容许无沙盒部署访问敏感账户或文件；未经验证不得用于商业或实际生产环境
感知限制：纯视觉感知可能被欺骗性或低质量页面渲染、嵌入页面的提示注入或UI元素视觉歧义所误导
累积误差：多步轨迹会累积错误，早期误点击可能影响后续操作
运行差异：多轮任务运行间存在非平凡方差，基准数据为多次运行平均值
幻觉风险：模型可能幻觉页面状态或误归因先前截图中的信息
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
运行模型需要的设备、工具与依赖，以原作者说明为准。
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。