Архитектура MagenticLite: три компонента, одна цель
Microsoft Research представила MagenticLite, экспериментальное приложение, работающее в едином рабочем процессе с браузером и локальной файловой системой. В отличие от предыдущей версии Magentic-UI, новая система оптимизирована специально для малых языковых моделей (SLM), что позволяет запускать агентов на пользовательском оборудовании без облачных затрат. Система состоит из трех ко-дизайненных компонентов:
- MagenticBrain (14B параметров): модель-оркестратор, отвечающая за планирование, написание кода и делегирование задач. Обучена на базе Qwen 3 14B.
- Fara1.5 (семейство 4B, 9B, 27B): модель для управления компьютером (computer-use), работающая в браузере. Базируется на Qwen 3.5.
- MagenticLite Harness: среда выполнения, обеспечивающая бесшовную интеграцию моделей и инструментов.
Результаты Fara1.5: новые стандарты для малых моделей
Fara1.5 демонстрирует значительный прогресс по сравнению с предшественником Fara-7B. Ключевым достижением стала работа с «критическими точками» (логин, транзакции) и долгосрочными задачами. Модель научилась сохранять контекст на протяжении сотен шагов и запрашивать подтверждение у пользователя только при необходимости, не блокируя рутинные действия, такие как заполнение форм.
Бенчмарки и метрики
На популярном наборе данных Online-Mind2Web (300 задач на реальных веб-доменах) Fara1.5 установила новые рекорды для своего класса моделей. Ниже приведено сравнение производительности:
| Модель | Размер (параметры) | Результат на Online-Mind2Web | Примечание |
|---|---|---|---|
| Fara-7B | 7B | Базовый уровень | Предыдущая версия, удвоена производительность в Fara1.5 |
| Fara1.5-9B | 9B | SOTA (State-of-the-Art) | Лучший результат среди моделей схожего размера |
| Fara1.5-27B | 27B | > 90% | Высокая точность выполнения сложных сценариев |
Почему это важно
Исследование Microsoft подтверждает гипотезу: способность агента зависит не только от объема знаний модели, но и от качества оркестрации инструментов. Использование малых моделей (до 27B) снижает стоимость развертывания и обеспечивает приватность данных, так как обработка происходит локально. MagenticLite открывает путь к созданию надежных AI-ассистентов, работающих на обычных ПК, а не только в облаке.
Источник: Microsoft Research ↗