Microsoft、ブラウザ操作エージェントモデル Fara1.5-27B を公開──Qwen3.5-27B ベースの 262K コンテキスト対応
Qwen3.5-27B をベースに SFT を行い、スクリーンショット認識のみでエンドツーエンドのブラウザ操作を実行する 27B モデル。
リリース: 2026-06-18 · 読了 3 分記事の要約
1. 核心（What）
- Microsoft Research AI Frontiers は、Web ブラウザ用のマルチモーダルコンピュータ使用エージェント（CUA）「Fara1.5-27B」を公開した。
- DOM ツリーやアクセシビリティツリーを用いず、スクリーンショットの視覚情報のみを認識してピクセル座標レベルの操作を行う。
- 個人情報の入力、決済、メッセージ送信などの不可逆なアクションの直前に自動で停止して人間の確認を求める「Critical-points safety design」を搭載している。
- 262K トークンのコンテキスト長をサポートし、vLLM の OpenAI 互換エンドポイントを介して推論を実行できる。
2. 影響（Why）
- 実運用に向けた安全性の担保: 勝手な決済やデータ削除を防ぐ停止条件がシステムプロンプトとモデルの学習段階で強制されているため、業務自動化への導入リスクを大きく下げられる。
- UI 変更に強い視覚ベースの操作: DOM 構造に依存せずスクリーンショットから直接クリック位置を予測するため、Web サイトのリニューアルに対して堅牢なエージェントを構築できる。
3. 根拠・詳細（How）
- 学習レシピとデータパイプライン: Qwen3.5-27B をベースに、マルチエージェントパイプライン FaraGen1.5 が生成・検証した合成Webタスク軌跡データを用いて SFT を実施している。
- 推奨ランタイムと環境要件: vLLM >= 0.19.1 と transformers >= 5.2.0 を必須とし、27B モデルを bf16 で動かすために A6000、A100、H100、B200 等の GPU を最低 2 基にシャードすることを推奨。
4. 展望・課題（Next）
- MagenticLite との統合運用: Docker サンドボックスによる隔離、ドメイン制限、リアルタイム監視を提供する公式推奨の MagenticLite ハーネス環境での検証が進められる。