微软FARA：7B小模型接管鼠标键盘，桌面自动化不再烧钱烧Token
🩺 摘要
微软FARA：7B小模型接管鼠标键盘，桌面自动化不再烧钱烧Token 这件事有多"不按套路出牌" 微软最近搞了个叫 FARA 的东西，全称 Fara-7B，今天已经在 GitHub 开源了（5,680 Stars，涨得飞快）。 它长什么样？一句话：你的屏幕截图就是它的输入，你的鼠标键盘就是它的
📝 详情
微软FARA：7B小模型接管鼠标键盘，桌面自动化不再烧钱烧Token
01. 这件事有多"不按套路出牌"
微软最近搞了个叫 FARA 的东西，全称 Fara-7B，今天已经在 GitHub 开源了（5,680 Stars，涨得飞快）。
它长什么样？一句话：你的屏幕截图就是它的输入，你的鼠标键盘就是它的输出。
你告诉它"帮我订一张从西雅图到东京、低于 800 美元的机票"，它自己打开浏览器、搜索航班、填表单、比价、下单。全程不需要你动一根手指。
这不是新闻里已经说过很多遍的"AI Agent"。重点在于——它只有 7B 参数。
什么概念？你家电脑的集成显卡都能带得动。不用租云 GPU，不用烧 API Token，断网了一样跑。纯本地，零延迟，数据不出你的机器。
02. 靠截图"看"屏幕，反而比 GPT-4o 更管用
FARA 的核心技术选择非常反直觉。
它完全不做传统 RPA 那套——不读 HTML 源码、不用 Accessibility Tree、不依赖 DOM 结构。它只看屏幕截图。 每次截一张当前浏览器窗口的图，自己画出坐标，决定下一步点哪里、打什么字、滚多远。
这个"像素级"的做法，在行业内属于"笨办法"。主流 CUA（Computer Use Agent）通常走混合路线——截图 + 底层解析双保险。但 FARA 硬是靠一个 7B 小模型，单凭截图就干到了一个相当高的水平：
| 模型 | 参数量 | WebVoyager 成功率 |
|---|---|---|
| Fara-7B | 7B | 73.5% |
| OpenAI comp-use-preview | — | 70.9% |
| UI-TARS-1.5-7B | 7B | 66.4% |
| GPT-4o (As Agent) | — | 65.1% |
| GLM-4.1V-9B-Thinking | 9B | 66.8% |
数据不会骗人。FARA 在 7B 这个尺寸上，跑赢了 GPT-4o 充当 Agent 的表现，甚至超过了 OpenAI 专为计算机操作优化的 CUA 模型。
更狠的是效率。FARA 完成一个任务平均只需要 16 步，而同样是 7B 的 UI-TARS-1.5-7B 需要 41 步。这意味着同样的任务，FARA 的推理成本只有对手的 40%。
那它的秘密是什么？不是模型架构创新，而是数据。 微软用 Magentic-One 多 Agent 框架，自己生成了一套 14.5 万条完整任务轨迹（总共 100 万步）的合成数据集，然后蒸馏到一个 7B 模型里。大模型当老师，小模型当学生——典型的"以小博大"路线。
03. 不是"什么都能干"，而是"该停的时候停"
说完了亮点，说一说它做不到的事。
FARA 不是万能的。它在购物（52.4%）、订酒店（53.8%）、订机票（37.9%）等网页任务上表现不错，但到了"对比两个商品价格"这类复合型任务，成功率就掉到 32.7%。至于复杂的跨应用联动——目前只支持浏览器内操作，不能直接操控你的原生桌面 App。
但我认为这恰恰是 FARA 聪明的设计选择。
微软明确说：FARA 定位在"试玩和概念验证"，不是生产级。 它没有用强化学习（RL）做进一步优化，只用了监督微调（SFT）。这意味着这个模型有很大的上升空间，而微软故意把"半成品"放出来，让社区一起喂数据。
另外，它内置了一个叫 Critical Points 的机制——在触发不可逆操作之前（比如发邮件、付款），模型会自动停下来问你要不要继续。这不是可有可无的功能。据 VentureBeat 报道，它在一套安全测试集上做到了 82% 的拒绝率。对于一个可以动你鼠标键盘的模型，这个数字比性能数字更重要。
04. 对个人用户意味着什么
一个 7B 的桌面自动化模型能跑在本地，这件事的冲击力被很多人低估了。
说白了，过去所有"AI 自动化"的落地障碍，FARA 全部扫清了：
- 成本障碍：不用调云 API，Token 费用归零
- 隐私障碍：屏幕截图不出你的电脑，合规压力大减
- 延迟障碍：本地推理，响应时间从秒级降到百毫秒级
- 门槛障碍：一条自然语言指令启动，不需要写任何脚本
对于开发者，你可以用 fara-cli 一条命令跑起来，配合 Playwright 指定浏览器环境。做了 GGUF 版本，LM Studio 或 Ollama 都能直接加载。Windows 用户建议通过 WSL2 跑。
对于普通用户，微软还推了 Magentic-UI——一个有图形界面的交互前端，甚至有个播放按钮让你看 AI 一步步操作的"回放"。如果你实在不想折腾本地部署，Azure Foundry 上也有托管版本，一行配置直接调用。
05. 个人观点：微软这步棋下得比看起来深
很多人觉得 FARA 只是微软又发了一个小模型。我不这么看。
这是微软对"Agent 形态"的一次战略定调。
过去一年，Agent 这个词被炒得太猛了。每个厂商都在做大模型 Agent 框架——LangChain、AutoGPT、CrewAI。但它们的共同问题是：太重。 动辄套一层几十万 Token 的 CoT 链，一个 Agent 跑一个简单任务，烧的钱比人工做还贵。
微软把路走反了——不堆大模型，堆数据质量。 用多 Agent 系统生成高质量的合成轨迹，然后蒸馏到 7B 模型里。这个思路的本质是："让推理发生在数据准备阶段，执行时只需要一个轻量级模型。"
更关键的是，FARA 基于 Qwen2.5-VL-7B，MIT 协议完全开源。这意味着任何公司都可以拿它做定制、做二次开发，甚至嵌入自己的产品里。对比字节跳动的 UI-TARS（同样是 7B，同样瞄准 CUA），FARA 在 WebVoyager 上跑赢 7 个百分点，效率还翻倍。
我对行业的判断是：2026 年下半年，"小模型本地 Agent"会成为一个明确的品类。 大模型 Agent 适合企业级复杂编排，7B 小模型 Agent 适合个人桌面自动化、隐私敏感场景、离线环境。它们不冲突，而是分层。
微软的布局更聪明的地方在于——FARA 和它的 Phi-Silica 系列一脉相承。Copilot+ PC 已经有了本地 NPU 跑 SLM 的硬件基础。下一个 Windows 大版本里塞一个 FARA 变体进系统，让你对着桌面说"帮我把这三个月的报销单整理好发邮件"，这种场景可能比我们想的来得快。
06. 你怎么看？
AI 接管鼠标键盘这件事，你是兴奋还是警惕？
一个能自动帮你填表单、比价、订票的 7B 小模型，你会装到电脑上试试，还是觉得"让 AI 碰我的文件不放心"？
来评论区聊聊。这是个立场问题，没有标准答案。
微软FARA：7B小模型接管鼠标键盘，桌面自动化不再烧钱烧Token
01. 这件事有多"不按套路出牌"
微软最近搞了个叫 FARA 的东西，全称 Fara-7B，今天已经在 GitHub 开源了（5,680 Stars，涨得飞快）。
它长什么样？一句话：你的屏幕截图就是它的输入，你的鼠标键盘就是它的输出。
你告诉它"帮我订一张从西雅图到东京、低于 800 美元的机票"，它自己打开浏览器、搜索航班、填表单、比价、下单。全程不需要你动一根手指。
这不是新闻里已经说过很多遍的"AI Agent"。重点在于——它只有 7B 参数。
什么概念？你家电脑的集成显卡都能带得动。不用租云 GPU，不用烧 API Token，断网了一样跑。纯本地，零延迟，数据不出你的机器。
02. 靠截图"看"屏幕，反而比 GPT-4o 更管用
FARA 的核心技术选择非常反直觉。
它完全不做传统 RPA 那套——不读 HTML 源码、不用 Accessibility Tree、不依赖 DOM 结构。它只看屏幕截图。 每次截一张当前浏览器窗口的图，自己画出坐标，决定下一步点哪里、打什么字、滚多远。
这个"像素级"的做法，在行业内属于"笨办法"。主流 CUA（Computer Use Agent）通常走混合路线——截图 + 底层解析双保险。但 FARA 硬是靠一个 7B 小模型，单凭截图就干到了一个相当高的水平：
| 模型 | 参数量 | WebVoyager 成功率 |
|---|---|---|
| Fara-7B | 7B | 73.5% |
| OpenAI comp-use-preview | — | 70.9% |
| UI-TARS-1.5-7B | 7B | 66.4% |
| GPT-4o (As Agent) | — | 65.1% |
| GLM-4.1V-9B-Thinking | 9B | 66.8% |
数据不会骗人。FARA 在 7B 这个尺寸上，跑赢了 GPT-4o 充当 Agent 的表现，甚至超过了 OpenAI 专为计算机操作优化的 CUA 模型。
更狠的是效率。FARA 完成一个任务平均只需要 16 步，而同样是 7B 的 UI-TARS-1.5-7B 需要 41 步。这意味着同样的任务，FARA 的推理成本只有对手的 40%。
那它的秘密是什么？不是模型架构创新，而是数据。 微软用 Magentic-One 多 Agent 框架，自己生成了一套 14.5 万条完整任务轨迹（总共 100 万步）的合成数据集，然后蒸馏到一个 7B 模型里。大模型当老师，小模型当学生——典型的"以小博大"路线。
03. 不是"什么都能干"，而是"该停的时候停"
说完了亮点，说一说它做不到的事。
FARA 不是万能的。它在购物（52.4%）、订酒店（53.8%）、订机票（37.9%）等网页任务上表现不错，但到了"对比两个商品价格"这类复合型任务，成功率就掉到 32.7%。至于复杂的跨应用联动——目前只支持浏览器内操作，不能直接操控你的原生桌面 App。
但我认为这恰恰是 FARA 聪明的设计选择。
微软明确说：FARA 定位在"试玩和概念验证"，不是生产级。 它没有用强化学习（RL）做进一步优化，只用了监督微调（SFT）。这意味着这个模型有很大的上升空间，而微软故意把"半成品"放出来，让社区一起喂数据。
另外，它内置了一个叫 Critical Points 的机制——在触发不可逆操作之前（比如发邮件、付款），模型会自动停下来问你要不要继续。这不是可有可无的功能。据 VentureBeat 报道，它在一套安全测试集上做到了 82% 的拒绝率。对于一个可以动你鼠标键盘的模型，这个数字比性能数字更重要。
04. 对个人用户意味着什么
一个 7B 的桌面自动化模型能跑在本地，这件事的冲击力被很多人低估了。
说白了，过去所有"AI 自动化"的落地障碍，FARA 全部扫清了：
- 成本障碍：不用调云 API，Token 费用归零
- 隐私障碍：屏幕截图不出你的电脑，合规压力大减
- 延迟障碍：本地推理，响应时间从秒级降到百毫秒级
- 门槛障碍：一条自然语言指令启动，不需要写任何脚本
对于开发者，你可以用 fara-cli 一条命令跑起来，配合 Playwright 指定浏览器环境。做了 GGUF 版本，LM Studio 或 Ollama 都能直接加载。Windows 用户建议通过 WSL2 跑。
对于普通用户，微软还推了 Magentic-UI——一个有图形界面的交互前端，甚至有个播放按钮让你看 AI 一步步操作的"回放"。如果你实在不想折腾本地部署，Azure Foundry 上也有托管版本，一行配置直接调用。
05. 个人观点：微软这步棋下得比看起来深
很多人觉得 FARA 只是微软又发了一个小模型。我不这么看。
这是微软对"Agent 形态"的一次战略定调。
过去一年，Agent 这个词被炒得太猛了。每个厂商都在做大模型 Agent 框架——LangChain、AutoGPT、CrewAI。但它们的共同问题是：太重。 动辄套一层几十万 Token 的 CoT 链，一个 Agent 跑一个简单任务，烧的钱比人工做还贵。
微软把路走反了——不堆大模型，堆数据质量。 用多 Agent 系统生成高质量的合成轨迹，然后蒸馏到 7B 模型里。这个思路的本质是："让推理发生在数据准备阶段，执行时只需要一个轻量级模型。"
更关键的是，FARA 基于 Qwen2.5-VL-7B，MIT 协议完全开源。这意味着任何公司都可以拿它做定制、做二次开发，甚至嵌入自己的产品里。对比字节跳动的 UI-TARS（同样是 7B，同样瞄准 CUA），FARA 在 WebVoyager 上跑赢 7 个百分点，效率还翻倍。
我对行业的判断是：2026 年下半年，"小模型本地 Agent"会成为一个明确的品类。 大模型 Agent 适合企业级复杂编排，7B 小模型 Agent 适合个人桌面自动化、隐私敏感场景、离线环境。它们不冲突，而是分层。
微软的布局更聪明的地方在于——FARA 和它的 Phi-Silica 系列一脉相承。Copilot+ PC 已经有了本地 NPU 跑 SLM 的硬件基础。下一个 Windows 大版本里塞一个 FARA 变体进系统，让你对着桌面说"帮我把这三个月的报销单整理好发邮件"，这种场景可能比我们想的来得快。
06. 你怎么看？
AI 接管鼠标键盘这件事，你是兴奋还是警惕？
一个能自动帮你填表单、比价、订票的 7B 小模型，你会装到电脑上试试，还是觉得"让 AI 碰我的文件不放心"？
来评论区聊聊。这是个立场问题，没有标准答案。
💬 评论 (0)