Microsoft Fara 1.5 — โมเดลคุมเบราว์เซอร์ที่ "มองจอแล้วคลิก" รันในเครื่องได้ เปิด weights ใต้ MIT

Fara 1.5 คือตระกูลโมเดล computer-use จาก Microsoft Research ไม่ใช่ตัวเดียวแต่มีสามขนาด (4B, 9B, 27B) ทั้งหมดต่อยอดจาก Qwen 3.5 ปล่อย weights บน Hugging Face ใต้ลิขสิทธิ์ MIT และถ้าไม่อยากยุ่งกับฮาร์ดแวร์ก็โฮสต์ผ่าน Microsoft Foundry ได้

ต่างจากโมเดลแชตทั่วไปที่อ่านข้อความแล้วตอบข้อความ Fara จะดู "ภาพหน้าจอ" ของเบราว์เซอร์ แล้วเลือกลงมือทีละหนึ่งการกระทำ — คลิกตรงนี้ พิมพ์ข้อความนี้ เลื่อนลง ไปที่ที่อยู่นี้ — จากนั้นถ่ายภาพหน้าจอใหม่แล้วทำซ้ำ Microsoft เรียกวงจรนี้ว่า observe–think–act จุดที่ต่างจากคนอื่นคือมันเป็น vision-only ไม่ได้ไปอ่านโค้ดใต้หน้าเว็บ (HTML หรือ accessibility tree) แต่มองอย่างที่คนมองแล้วเดาพิกัดพิกเซลที่จะคลิก เวลาเจอหน้าเว็บที่สร้างแปลก ๆ หรือ widget แบบกำหนดเอง วิธีนี้เลยไม่งงง่ายเหมือนตัวที่อ่านโค้ด

บนเบนช์มาร์ก Online-Mind2Web (300 งานจาก 136 เว็บยอดนิยม) ตัว 27B ทำได้ 72.3% เทียบกับ Operator ของ OpenAI ที่ 58.3 และ Gemini 2.5 computer use ที่ 57.3 ส่วน Navigator N1 ของ U-Toronto อยู่ที่ 64.7 หมายความว่าโมเดล open weights ขนาด 27B เอาชนะระบบที่ใหญ่กว่าได้ บน Web Voyager ตัว 27B ได้ 89.3%, 9B ได้ 86.6, 4B ได้ 80.8 ที่สำคัญแม้แต่ตัวเล็กสุด 4B ก็ยังทำ Online-Mind2Web ได้ 57.3 ซึ่งสูงกว่า Operator

Microsoft พูดตรง ๆ เรื่องจุดอ่อนด้วย บนเบนช์มาร์ก WebTailBench ที่ออกแบบมาวัดงานหางยาวข้ามหลายเว็บหลายสเต็ป คะแนนตกลงทั้งกระดาน (27B ได้ 40.2, 9B 32.3, 4B 27.4) งานยาวข้ามไซต์ยังเป็นเรื่องยากอยู่

นี่คือ agent คุมเบราว์เซอร์ที่เอามารันในเครื่องเราเองได้ ไม่ต้องพึ่งบริการคลาวด์ตลอด และดีไซน์ที่ "หยุดถามก่อนทำสิ่งที่ย้อนคืนไม่ได้" ตรงกับหลัก Human Gate ที่เราย้ำเสมอ — ให้ AI ทำงานแทนได้ แต่จุดตัดสินใจสำคัญคนต้องเป็นคนกด ฟันธง: **ควรลองแบบมีขอบเขต** เริ่มจากตัว 4B ที่เล็กและเบา ให้ start URL ตั้งแต่แรกแทนที่จะปล่อยให้มันค้นเอง ตั้งเพดานจำนวนสเต็ปต่ำ ๆ (10–20) ตอนทดสอบ และถ้าจับได้ว่ามันฝึกที่ขนาดจอ 1440×900 ก็ตั้งจอให้ตรง คลิกจะแม่นขึ้นชัดเจน

อย่าเปิดให้ Fara เข้าถึงเบราว์เซอร์แบบไร้ขอบเขตบนเครื่องที่มีข้อมูลอ่อนไหว — ตัวโมเดลการ์ดเองก็เขียนเตือนไว้ตรง ๆ เพราะมันอ่านทุกอย่างที่อยู่บนหน้า หน้าเว็บที่จงใจใส่ข้อความหลอก (prompt injection) อาจพยายามพามันออกนอกทางได้ นอกจากนี้ตัว 27B ต้องใช้ GPU จริงจังและกระจายอย่างน้อยสองใบ ส่วนตอนนี้รองรับแค่ภาษาอังกฤษ และการคลิกผิดตั้งแต่ต้นอาจลามทั้งงาน ให้เปิดสวิตช์ "อนุญาตการกระทำที่ย้อนคืนไม่ได้" ไว้ปิดจนกว่าจะไว้ใจการรันนั้นจริง ๆ