開放什麼:從應用到權重的全棧開源

Microsoft Research 宣布 agentic 應用 MagenticLite 的完整堆疊開源,包含應用本體、測試 harness 與堆疊中每一個模型。原本僅在 Microsoft Foundry 上提供的 MagenticBrain 編排模型與 Fara 1.5 電腦操作模型,已登上 Hugging Face 並開放權重,開發者可直接拉權重在本地跑完整體驗。MagenticLite 是 Magentic-UI 的下一代,能在單一工作流程中跨瀏覽器與本機檔案系統運作。

模型分工:MagenticBrain 負責編排,Fara 1.5 負責操作

堆疊由兩個專用模型構成。MagenticBrain 是 14B 編排器,以 Qwen 3 14B 微調而來,負責規劃、寫程式與任務分派;它在 MagenticLite harness 內端到端訓練,所用的 tool schema 與推論時完全一致,訓練與部署之間沒有落差。Fara 1.5 則是電腦操作專用模型,提供 4B、9B、27B 三種規模,以 Qwen 3.5 微調,直接讀取瀏覽器原始截圖並輸出點擊、輸入與捲動,不走 DOM 解析或 accessibility tree。

為什麼直接讀截圖:跳過 DOM 與 accessibility tree 的取捨

Fara 1.5 採「以像素為輸入」的視覺操作路線,刻意不走 DOM 解析或 accessibility tree。這項架構選擇既是限制也是賭注:DOM 與 accessibility tree 雖然結構化、易於程式讀取,但各網站標記不一致、動態載入頻繁,而大量企業內部應用與桌面軟體根本沒有開放這類介面。改以視覺輸入後,同一個模型可同時操作網頁、桌面軟體與本機檔案系統,這正是 MagenticLite 能在單一工作流程中跨瀏覽器與本機運作的前提。

Fara 直接從畫面像素理解瀏覽器、桌面應用與資料夾,不依賴 DOM 樹。
圖2 Fara 1.5 直讀像素截圖,跳過 DOM 與 accessibility tree。

代價落在解析度與精確度。視覺路線依賴模型把畫面上的按鈕、連結與輸入框定位到像素層級,一旦遇上密集表格、捲動選單或細小圖示,誤判風險隨之上升。這也是 MagenticLite 全程顯示推理過程、關鍵動作暫停等待核可的原因——把人類監督設計成架構的一部分,而非事後補丁。MagenticBrain 訓練時的 tool schema 與推論時完全一致、訓練與部署之間沒有落差,進一步降低「實驗室分數漂亮、上線後行為漂移」這類常見缺口。

效能數字:72% 在 Online-Mind2Web

在 Online-Mind2Web 基準(涵蓋 136 個真實網站、共 300 項任務)上,Microsoft 公布的成績為:Fara 1.5-27B 達 72%,OpenAI Operator 為 58.3%,Gemini 2.5 Computer Use 為 57.3%;9B 為 63.4%,幾乎是前代 Fara-7B 的兩倍;4B 則在裝置上跑出 57%。換言之,最小的 4B 版本已能追平 Gemini 2.5 Computer Use 的水準。

端側與隱私:Quicksand 沙箱的可控落地路徑

4B 版本能在裝置上跑出 57%、追平 Gemini 2.5 Computer Use 的水準,是這次開源最具落地意義的數字。搭配 Quicksand 沙箱,瀏覽器任務、檔案與資料全程不離開本機,對金融、法務、醫療等資料不能外送的場景,提供了一條不必把敏感畫面與憑證上傳雲端即可使用 agent 的路徑。這與 OpenAI Operator、Gemini Computer Use 預設走雲端託管的模式形成結構性差異:前者把畫面與操作流交給廠商推理,後者把邊界劃在本機。

本地 4B 模型可在沙盒內操作瀏覽器與檔案;雲端方案則需把任務資料送往遠端模型。
圖3 Quicksand 沙箱讓 4B 在本機運行,瀏覽器任務與檔案不外送。

權重開放讓團隊可依風險等級混搭規模:高敏感任務交給本機 4B,高難度任務才呼叫 27B,並自行稽核決策紀錄。這種「規模可拆、資料可落地」的彈性,是 frontier 業者閉源方案較難提供的,也讓 MagenticLite 不只是另一份高分模型,而是一套可被企業法遵與資安單位審查、改寫的開源底座。

所以呢:小模型加共同設計的 harness

這次開源背後的賭注是:小模型搭配與之共同設計的 harness,能逼近 frontier 規模的 agentic 能力。對開發者而言,最大意義不在模型本身多強,而在可檢視、可接手的 agent 設計——MagenticLite 全程顯示推理過程、隨時可由人接手、關鍵動作暫停等待核可,4B 版搭配 Quicksand 沙箱可讓瀏覽器任務、檔案與資料不離開本機。對不想被單一平台鎖定的團隊,這是一條可落地、可控的開源 agent 路徑。同一套「小模型+共同設計的 harness」賭注,也體現在 Microsoft 以 hill-climbing 把自研 MAI 模型推上 Copilot 與 Excel 前沿——差別在 MagenticLite 走開源、MAI 走產品內閉環訓練。