Fara1.5-9B

Fara1.5-9B

Microsoft Research 推出的计算机使用智能体模型，读取浏览器截图并决定下一步点击、输入或滚动，来完成网页任务。适合构建浏览器智能体的开发者和研究者。

由 microsoft 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Fara1.5-9B 是 Microsoft Research AI Frontiers 推出的 9 billion 参数智能体模型，用来操作网页浏览器。它只通过截图看页面，然后预测下一步动作，比如点击、输入、滚动、打开页面或网页搜索，需要时还会给出像素坐标。它由 Qwen3.5-9B 微调而来，训练数据是多智能体流水线生成、运行并检查过的任务。

适合谁：适合构建浏览器智能体、并有 GPU 来运行 9B 模型的开发者和研究者。模型卡说它只应在自己的运行框架里使用，这个框架带有沙箱和暂停控制。

Title: 谁会用它
Industry | Who uses it | How they use it | Example
软件 | 智能体开发者 | 只凭截图驱动浏览器 | 朝着既定目标一步步填写网页表单
研究 | 智能体研究者 | 在受控的框架里研究计算机使用智能体 | 在框架的轨迹日志里查看每一个动作
运营 | 有重复性网页杂务的团队 | 带着审批自动化日常浏览器任务 | 准备好预订，并在付款步骤之前停下

如果你无法给浏览器做沙箱，可以跳过它。模型卡警告不要在有敏感内容的机器上给它不受限制的浏览器权限。

用在哪里：模型卡说只应在 Fara 命令行项目的框架里使用，或者在它推荐的 MagenticLite 里使用。

• MagenticLite，推荐的方式，带 Docker 沙箱、域名白名单、观察模式和暂停控制
• Fara 命令行框架
• 在 A6000、A100、H100 或 B200 等 GPU 上的 vLLM 服务器

Title: 它能做的事
Use case | Who | What they get back
完成网页任务 | 智能体开发者 | 朝着目标的一系列动作，例如填表或预订
暂停等待批准 | 操作人员 | 在付款、登录或其他不可撤销的步骤前停下并提问
观察智能体运行 | 研究者 | 每个动作的轨迹日志

如何设置：你需要较新版本的 torch、transformers 和 vLLM，以及内存足够用 bf16 放下 9B 模型的 GPU。模型卡是针对一个特定的系统提示词训练的，你应该原样使用它。

• torch 2.11.0 或更新版本
• transformers 5.2.0 或更新版本
• vLLM 0.19.1 或更新版本
• 能放下 bf16 权重的 GPU，约 18.8 GB

1. 安装 Hugging Face 的下载工具，并取回模型文件。
2. 安装所需版本的 torch、transformers 和 vLLM。
3. 用 vLLM 提供模型服务。
4. 在 MagenticLite 或 Fara 框架里，原样使用模型卡的系统提示词。

pip install -U huggingface_hub
hf download microsoft/Fara1.5-9B

vllm serve microsoft/Fara1.5-9B \
  --dtype bfloat16 \
  --max-model-len 262144 \
  --limit-mm-per-prompt image=10

如何使用：你用文字给智能体一个目标。每一步它都会收到最新的截图和之前的动作，写下推理，然后发出带标签的工具调用。框架执行动作，并送回一张新的截图。

Title: 它能做的动作
Tool | What it does
click | 在它预测的像素坐标上点击
type | 在输入框里输入文字
scroll | 向上或向下移动页面
visit URL | 按地址打开页面
web search | 执行一次搜索

示例：你让智能体在预订网站上准备一个预约。它看着每张截图，点击、输入地完成表单，然后在填写个人信息或付款之前停下来问你。

新手与专家：如果你是新手，可以把它想成一个像你一样看浏览器、然后替你点击和输入的助手。先只在 MagenticLite 沙箱里，用一个无害的任务试。

如果你熟悉这个领域，它只感知截图，没有 DOM 或无障碍树，并且直接预测有依据的动作，所以不需要单独的定位模型。它的上下文是 262,144 个 token，足够放下许多截图及其历史。训练用的是 FaraGen1.5 的数据，它负责合成任务、运行轨迹并验证结果。

目标和最新截图输入
模型写下推理
它发出带标签的工具调用
框架执行动作并送回新截图

注意事项：模型卡训练模型在个人信息、付款、提交、登录、发送消息和其他不可撤销的步骤前停下来询问。如果你自己接入，这些控制就由你负责。

Title: 权重大小，约数
BF16: 18.8 GB
4-bit estimate: 4.7 GB

• License: MIT
• Cost to run: 未提及，不过你需要一块能用 bf16 放下 9B 模型的 GPU
• Data it reaches: 浏览器里的网页，以截图形式看到，以及来自 Hugging Face 的模型文件
• Not for: 在有敏感数据的机器上不受限制地访问浏览器，或在 Fara 框架和 MagenticLite 之外使用

Hugging Face 上的数据（2026年11月13日）

• 任务：image text to text
• 框架：transformers
• 参数量：9.4B
• Weights: about 18.8 GB in BF16; about 4.7 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：3,008
• 点赞：64
• 许可证：mit
• 语言：en
• 基于：Qwen/Qwen3.5-9B
• Quantized versions: 11
• Fine-tunes: 1
• 标签：transformers, safetensors, qwen3_5, image-text-to-text, computer-use, web-agent, multimodal, vision-language, agent, browser-automation, magentic, fara

链接

• 模型：https://huggingface.co/microsoft/Fara1.5-9B
• 文件：https://huggingface.co/microsoft/Fara1.5-9B/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download microsoft/Fara1.5-9B

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。