7B 小模型超越 GPT-4o？微軟 Fara-7B 本地運行、能操控滑鼠鍵盤，破解企業數據安全痛點
微軟近日發布一個參數僅有 70 億的小型語言模型（SLM） Fara-7B ，也是微軟第一個專為「電腦使用智慧體」（Computer-Use Agent, CUA）設計的代理 SLM。
有別於傳統僅生成文字回應的聊天模型，如 Fara-7B 這一類的電腦使用智慧體模型，可以在使用者裝置上直接操作滑鼠、鍵盤與視覺介面，進一步執行複雜任務。這種在裝置端運行的模式，由於使用者資料將被保留在本地裝置上，因此可以顯著降低延遲並提升隱私保護。
Fara-7B 採取「視覺優先」模式，創造「像素主權」
為了在本地端精準執行各類複雜操作，Fara-7B 採用「視覺優先」的互動模式。Fara-7B 透過視覺感知網頁運作，並直接對預測座標執行點擊、輸入與滾動動作，不依賴獨立的模型來解析螢幕，也不使用像瀏覽器「輔助功能樹」（Accessibility tree）這一類的額外資訊。
這種純視覺方法讓模型能夠像人類一樣與電腦互動，即使在使用者介面結構複雜或底層程式碼不透明的情況下，仍能順利操作。微軟研究院 AI Frontiers 實驗室的資深產品經理 Yash Lara 表示，在裝置上處理所有視覺輸入，創造了真正的「像素主權」（pixel sovereignty），有助於受高度監管的產業，滿足資安合規的嚴格要求。
Fara-7B 在準確性、效率與隱私層面的關鍵優勢
微軟 Fara-7B 的亮點之一，就是在 WebVoyager 基準測試的任務成功率達到 73.5%，成績優於被設定為電腦使用智慧體模型時的 GPT-4o，後者的成功率為 65.1%。這項結果展現 Fara-7B 正在接近前沿大型語言模型的能力，並在成本與準確性之間取得了新的平衡。
在效率方面，Fara-7B 表現出明顯的進步。在比較測試中，Fara-7B 平均只需約 16 個步驟即可完成一項任務，相較之下，前代模型 UI-TARS-1.5-7B 則需要約 41 個步驟。
此外，Fara-7B 專為部署於裝置端的需求設計，由於運行時 Fara-7B 不會向雲端發送任何數據，因此可以有效降低延遲並增強隱私保護。
Fara-7B 現已在 Microsoft Foundry 和 Hugging Face 兩個平台開放，並採用 MIT 授權發布，允許企業進行商業試用。然而，微軟也提醒 Fara-7B 仍處於實驗階段，因此建議僅用於概念驗證或試點項目，而非關鍵任務部署。
加入「關鍵點」機制，平衡自主與安全
Fara-7B 在本地運行的特色，解決企業採用 AI 代理模型時，面對的「數據安全」主要障礙。不過儘管性能強勁，微軟指出 Fara-7B 與其他 AI 模型一樣存在局限性，包括在更複雜任務上準確性不足、錯誤地遵循指令，以及容易產生幻覺。
為了讓企業能在實驗與試點階段更安全地運用模型，微軟也在 Fara-7B 中加入多層防護設計，確保安全與維持使用者的自主控制。例如微軟就特別在 Fara-7B 的訓練資料中特別加入「關鍵點」（Critical Points）機制，所謂「關鍵點」是指模型在進行寄送電子郵件、觸發金融交易，或需要存取使用者個人資料前，必須先取得明確授權。一旦抵達這些關鍵點，模型就會自動停下來，主動向使用者請求批准，得到同意後才會繼續下一步操作。
Fara-7B 不只是微軟在技術層面的迭代，更是對代理模型未來方向的明確宣示：重點不在更大的參數，而在於更聰明的能力。伴隨裝置端代理模型的成熟，企業自動化策略也將迎來轉折，意即企業不再需要完全依賴雲端大語言模型，而是能在本地部署更安全、可控的 AI 代理。
＊本文開放合作夥伴轉載，資料來源：Microsoft、《VentureBeat》、《SiliconANGLE》，首圖來源：Microsoft