【免费下载链接】Fara1.5-4B项目地址https://ai.gitcode.com/hf_mirrors/microsoft/Fara1.5-4B点击查看免费下载Fara1.5-4B 是微软研究院 AI Frontiers 团队开源的多模态浏览器自动智能体Computer Use AgentCUA。它只看浏览器截图就能替你点击、输入、滚动、填表、下单、订餐无需解析网页 DOM。本文带你 5 分钟看懂这个模型能做什么、怎么部署、以及它的安全刹车机制。一、Fara1.5-4B 是什么像人一样看网页的 AI 智能体传统网页自动化脚本依赖 DOM 结构或无障碍树一旦页面改版就容易失效。而 Fara1.5-4B 采用了和人类完全一致的感知方式——纯视觉vision-only输入你的文字目标 当前浏览器截图 之前的思考与动作历史输出一段推理过程Chain-of-Thought 结构化的工具调用点击坐标、输入文本、滚动、跳转 URL 等感知只依赖截图不需要 DOM 或 Accessibility Tree所见即所得模型基于 Qwen3.5-4B 基座通过微软自研的多智能体数据管线FaraGen1.5合成任务 → 执行轨迹 → 验证结果进行监督微调训练语料约 10 亿文本 token、近 10 亿张训练图片。关键参数数值开发者Microsoft Research AI Frontiers参数量4Bbf16 下约 9 GB上下文长度262,144 tokens架构多模态解码器图像文本 → 文本基座模型Qwen3.5-4B许可证MIT可自由商用发布时间2026 年 5 月 21 日 4B 的参数量意味着它可以在单张 A100 / H100 / B200 甚至 A6000 上跑起来是个人开发者也能上手的轻量级浏览器智能体。二、核心能力为什么它能端到端完成网页任务1️⃣ 不是乱点而是为目标而行动Fara1.5-4B 擅长把任务拆解成有序动作序列端到端完成填写各类表单申请、注册、预订订餐、订位、预约旅行投递简历、规划行程、逛购物车2️⃣ 像素级精准落点模型直接预测点击和拖拽的像素坐标不需要额外的定位grounding模型定位能力内置。3️⃣ 关键节点安全设计Critical Points这是它最亮眼的特性模型被训练成在以下场景主动停下来问你即使技术上它能继续执行需要填写你未提供的个人信息姓名、邮箱、电话、支付信息任务描述含糊、信息不足即将执行不可逆操作提交表单、完成购买、发送消息、登录账号4️⃣ 长上下文记忆262K 的上下文足够容纳多张截图 完整动作历史适合长流程任务。对话中通常只保留最近 3 张截图以控制开销。三、性能实测小身材如何刷出好成绩微软在多个端到端网页智能体基准上给出了成绩模型WebVoyagerOnline-Mind2WebWebTailBenchFara1.5-4B80.857.327.4Fara1.5-9B86.663.432.3Fara1.5-27B89.372.340.24B 版本在 WebVoyager 上达到80.8%的任务成功率接近大得数倍的同门 27B 版本。对于填表、预订、购物这类日常任务4B 版本性价比极高。四、工作原理截图进去动作出来的智能体循环用一个生活化的例子在 Sunnyvale 找一家寿司店订周五晚 7 点两人的位子。看模型读取当前浏览器截图推荐分辨率1440×900想输出一段推理文本Chain-of-Thought做生成tool_call块调用computer_use函数执行一个动作反馈执行后重新截图追加到对话历史循环直到模型发出terminate结束任务它支持的全部动作如下动作用途left_click/right_click/double_click/triple_click鼠标点击坐标 x, ymouse_move/left_click_drag移动光标、拖拽type/key键盘输入、按键scroll/hscroll页面滚动visit_url/history_back浏览器导航web_search发起搜索ask_user_question向用户提问澄清pause_and_memorize_fact跨步骤记住一个事实wait/terminate等待 / 结束任务并给出答案 一句话总结截图 → 思考 → 动作 → 新截图不断循环直到任务完成或需要你确认。五、本地部署最快方法三步跑起 Fara1.5-4B 浏览器智能体第一步准备环境torch 2.11.0transformers 5.2.0vllm 0.19.1一张能放下 4B bf16 模型的显卡A6000、A100、H100、B200 均已验证第二步用 vLLM 起服务vllm serve microsoft/Fara1.5-4B \ --dtype bfloat16 \ --max-model-len 262144 \ --limit-mm-per-prompt image10第三步接入智能体框架官方强烈建议搭配fara CLI或MagenticLite框架使用该模型与 MagenticLite 是协同设计的。MagenticLite 提供沙箱浏览器跑在 Docker 容器内隔离宿主机文件和环境变量白名单限制只能访问你指定的域名观察模式实时查看每一步动作与完整轨迹日志一键暂停随时叫停智能体⚠️ 安全提醒如果自行集成模型上述沙箱、白名单、监控、暂停机制需要你自己实现。切勿在存有敏感信息的机器上给模型无限制浏览器权限。模型仓库文件可直接克隆研究git clone https://gitcode.com/hf_mirrors/microsoft/Fara1.5-4B六、模型必须原样使用系统提示词Fara1.5-4B 是针对特定系统提示词训练的最佳效果需要逐字使用官方提示词完整版本随 MagenticLite 框架内置含完整的computer_use工具 schema。其中关于关键节点的定义是理解它安全设计的核心情况 1缺少用户信息— 绝不编造个人信息只填用户明确提供的字段缺什么问什么情况 2任务不明确— 在当前决策点无法判断时停下来澄清情况 3不可逆操作— 除非用户事先明确授权否则一律停下确认七、仓库文件全解每个文件是干什么的这个仓库是一个标准的 Hugging Face 模型仓库各文件分工如下文件作用README.md模型说明书能力、部署、评测、安全说明config.json模型架构配置Qwen3_5 多模态结构、262K 上下文generation_config.json生成默认参数preprocessor_config.json图像预处理器配置16 像素 patch、归一化参数processor_config.json图像/视频处理器封装配置Qwen3VLProcessorchat_template.jinja对话模板定义系统提示、工具调用 XML 格式tokenizer.json、vocab.json、merges.txt分词器及其词表model-00001-of-00002.safetensors、model-00002-of-00002.safetensors模型权重分片model.safetensors.index.json权重索引共 45.39 亿参数想深挖架构细节可以看 config.json 中的隐藏层尺寸2560、32 层结构以及交替出现的linear_attention与full_attention层设计——这也是它能高效处理 262K 长上下文的秘密之一。八、适用边界能做什么不能做什么✅ 适合的场景重复性网页任务填表、购物、订旅行、订餐厅、信息检索作为其他智能体的定位模型提供像素级精准的动作预测英文网页环境下的自动化研究与生产原型❌ 不在能力范围官方明确非英文语言训练数据仅英文法律、医疗、金融建议等高风险领域影响法律地位、住房、就业、信贷的决策无沙箱、可触及敏感账号和文件的部署方式未经额外测试与防护的正式商用⚠️ 已知局限纯视觉感知可能被低质渲染、欺骗性页面、提示词注入误导多步任务中早期误点击会误差累积存在运行间波动基准成绩为多次运行平均值可能幻觉页面状态误把早前截图的信息安到当前页面上官方建议的防护清单人工监督 快速中止能力、容器化沙箱执行、域名白/黑名单、不向智能体共享凭据和个人信息、对输出结果保持人工核验。九、常见问题QFara1.5-4B 和 9B、27B 版本怎么选预算有限或任务以表单、预订为主4B 足够WebVoyager 80.8 分追求极限成功率再考虑更大版本。Q没有 GPU 能跑吗4B bf16 权重约 9 GB至少需要一张 A6000 级别的显卡纯 CPU 推理不现实。Q可以直接拿来做我的私有浏览器助手吗可以但请务必自行补齐沙箱、域名限制、动作监控和一键暂停官方强调这些安全控制是部署方的责任。Q为什么它总在我付款前停下来这不是 bug而是关键节点安全设计不可逆操作必须经你明确授权才能继续。十、写在最后Fara1.5-4B 把会看截图的浏览器智能体这件事做到了 MIT 许可、单机可跑的程度。它像一位谨慎的数字助理干活麻利但一到掏钱、提交、填个人信息的关口总会先回头看你一眼。想进一步了解细节建议精读 README.md 的 Highlights 与 Tool schema 部分。赞分享【免费下载链接】Fara1.5-4B项目地址https://ai.gitcode.com/hf_mirrors/microsoft/Fara1.5-4B点击查看免费下载相关推荐Meshery Catalog深度探索200云原生设计模式一键部署Meshery Catalog深度探索200云原生设计模式一键部署 Meshery Catalog是Meshery平台的核心组件作为云原生配置的市场它简文档/教程如何用Lightpanda无头浏览器实现自动化表单输入从入门到精通的终极指南如何用Lightpanda无头浏览器实现自动化表单输入从入门到精通的终极指南 Lightpanda是一款专为无头场景设计的开源浏览器它基于Zig语言构建提浏览器控制AI AgentMCP 服务GUI 自动化人工智能Docket完整入门指南3步搭建BitTorrent加速的Docker私有仓库Docket完整入门指南3步搭建BitTorrent加速的Docker私有仓库 Docket是一款基于BitTorrent协议的自定义Docker私有仓库通上一篇fastapi-users 注册路由Register Router完整指南从配置挂载到源码原理与错误处理下一篇AMD处理器性能调优新选择SMUDebugTool深度指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考