মাইক্রোসফট ফারা-7B চালু করেছে, কম্পিউটার কাজের জন্য প্রথম 7B-প্যারামিটার এজেন্ট মডেল

AIMPACT বার্তা, ১৬ মে (UTC+8), মাইক্রোসফ্ট ফারা-7B চালু করেছে, যা তাদের প্রথম 7B প্যারামিটারের স্মার্ট ল্যাঙ্গুয়েজ মডেল যা কম্পিউটার ব্যবহারের জন্য ডিজাইন করা হয়েছে। এই মডেলটি মাল্টিমোডাল ডিকোডার আর্কিটেকচার ব্যবহার করে, যা স্ক্রিনশট ইমেজ এবং টেক্সট কনটেক্সট গ্রহণ করে, এবং প্যারামিটারসহ থিংকিং চেইন এবং অপারেশন অ্যাকশনগুলির পূর্বানুমান করে। Qwen 2.5-VL (7B) এর উপর ভিত্তি করে তৈরি, 128k কনটেক্সট লংথ সমর্থন করে, 64টি H100 GPU-এ 2.5 দিন প্রশিক্ষণ দেওয়া হয়েছে, এবং ২০২৫ সালের ২৪ নভেম্বর MIT লাইসেন্সের অধীনে প্রকাশিত হয়েছে। Fara-7B স্ক্রিনশট-অনুভূত ব্রাউজার ইনপুটকে গ্রহণ করে, অভ্যন্তরীণ যুক্তি এবং ইতিহাসের অবস্থা রেকর্ডিংয়ের সংমিশ্রণে পরবর্তী অপারেশন এবং প্যারামিটার (যেমন: ক্লিক কোঅর্ডিনেট) পূর্বানুমান করে, যা বড়-স্কেল, সম্পূর্ণভাবে-সিনথেটিক ডেটাসেটেরউপর নির্ভরশীল। মডেলটি উচ্চ-স্তরের কাজগুলি (যেমন: রেস্টুরেন্ট বুকিং, চাকরির আবেদন, ভ্রমণের পরিকল্পনা) পরিকল্পনা এবং বাস্তবায়ন করতে পারে। সুরক্ষা-সমন্বয়ের জন্য, এটি দৃঢ়-পোস্ট-ট্রেইনিংয়ের পদ্ধতি ব্যবহার করে, 7টি ব্যবহার-নীতি-লঙ্ঘনকারী টাস্ককে अস্বীকার करতে,এবং 128k context length, 64 H100 GPUs, 2.5 days training, MIT license on Nov 24, 2025. Fara-7B accepts screenshot-aware browser inputs, combining internal reasoning and historical state records to predict next actions and parameters (e.g., click coordinates), trained on a large-scale fully synthetic dataset. The model can plan and execute high-level tasks such as booking a restaurant, applying for a job, or planning a trip. For safety alignment, it employs robust post-training methods with keypoint recognition capabilities to reject seven categories of policy-violating tasks and pause operations at critical stopping points like entering personal information or completing purchases. Users can deploy and interact with the model via GitHub repository, vllm, and fara-cli tools, primarily for automating web tasks. (Source: InFoQ)