Microsoft ra mắt Fara-7B, mô hình tác nhân đầu tiên với 7 tỷ tham số dành cho các nhiệm vụ máy tính

Thông báo từ AIMPACT, vào ngày 16 tháng 5 (UTC+8), Microsoft đã ra mắt Fara-7B, mô hình ngôn ngữ nhỏ với 7 tỷ tham số đầu tiên của họ được thiết kế đặc biệt cho các kịch bản sử dụng máy tính. Mô hình này sử dụng kiến trúc bộ giải mã đa phương thức, có thể nhận hình ảnh chụp màn hình và ngữ cảnh văn bản để trực tiếp dự đoán chuỗi suy luận và hành động thao tác kèm tham số. Được xây dựng dựa trên Qwen 2.5-VL (7B), hỗ trợ độ dài ngữ cảnh 128k, được huấn luyện trong 2,5 ngày trên 64 GPU H100, và được phát hành dưới giấy phép MIT vào ngày 24 tháng 11 năm 2025. Fara-7B nhận đầu vào qua chụp màn hình trình duyệt, kết hợp suy luận nội bộ và ghi nhớ trạng thái lịch sử để dự đoán hành động và tham số tiếp theo (ví dụ: tọa độ nhấp chuột), quá trình huấn luyện dựa trên bộ dữ liệu tổng hợp quy mô lớn. Mô hình có thể lập kế hoạch và thực hiện các tác vụ nâng cao như đặt nhà hàng, xin việc, lên kế hoạch du lịch, v.v. Về mặt đồng bộ hóa an toàn, mô hình áp dụng phương pháp huấn luyện sau mạnh mẽ, có khả năng nhận diện các điểm then chốt, từ chối bảy loại tác vụ vi phạm chính sách sử dụng, và tạm dừng thao tác tại các điểm dừng quan trọng như nhập thông tin cá nhân hoặc hoàn tất giao dịch. Người dùng có thể triển khai và thực hiện truy vấn tương tác thông qua kho GitHub, vllm và công cụ fara-cli, chủ yếu được ứng dụng trong tự động hóa các tác vụ web. (Nguồn: InFoQ)