你要订一家餐厅，通常得搜索店名、打开页面、挑日期，再填写信息。普通聊天机器人可以告诉你怎么做，却不会替你点完这些按钮。微软的 Fara1.5-27B 瞄准的正是这段距离：它观看浏览器画面，决定下一步该点哪里、输入什么，并把一连串网页操作接起来。
这里的“放进浏览器”需要说得准确些。现有材料只说明它是面向浏览器操作的 27B 模型，并不代表模型权重直接在浏览器里本地运行。本文信息均来自 Microsoft Research AI Frontiers 发布的 Hugging Face 模型卡，尚无独立信源交叉验证，材料也没有提供基准成绩或硬件需求。
它像用户一样看网页
Fara1.5-27B 是一款多模态 Computer-use Agent（CUA）。Computer-use Agent 指能观察电脑界面，并执行点击、输入、滚动等操作的 AI；多模态则表示模型可以处理文字、图像等不同形式的信息。在这里，关键输入是浏览器截图。
据微软模型卡，Fara 1.5 在感知页面时只看截图，不读取 DOM 或 accessibility tree。DOM——Document Object Model——是浏览器整理网页元素时使用的结构化树，其中记录了按钮、文本框等对象。很多浏览器 Agent 可以借助这份“元素清单”理解页面，Fara 1.5 则要直接从像素里辨认它们。
这更接近人使用网页的方式。比如看到“预订”按钮，人会根据画面判断按钮位置，再移动鼠标点击。Fara 1.5 也需要从截图中定位目标，并预测点击所需的像素坐标。它的内部推理和操作轨迹以文本保存；拿到最新截图和此前动作后，再预测下一步。
只看截图并不天然更好。它意味着模型可以面对没有开放内部结构的页面，但也失去了 DOM 提供的清晰标记。页面渲染模糊、按钮长得相似，都会让判断变难。
看懂之后，还要把动作说清楚
模型不会直接“伸手”操作浏览器，而是输出结构化工具调用——按规定格式写出动作名称和参数，把自然语言目标翻译成程序可以执行的指令。
模型卡列出的动作包括 click、type、scroll、visit URL 和 web search。点击时，它还要给出像素坐标。可以把这理解为一张交给浏览器执行器的操作单：点哪个位置、输入什么内容、滚动多少，或者访问哪个网址。
这种设计面向的是完整流程，而不只是单次问答。微软列出的主要用途包括填写表单、购物、预订旅行或餐厅、查找信息，以及处理账户流程；它也可以为其他 Agent 提供基于像素的动作定位。不过，“能够端到端完成任务”和“pixel-accurate”属于模型卡的产品表述。由于材料没有给出基准名称、分数或对照实验，目前无法据此判断它的实际成功率，更不能说它领先于其他模型。
27B 模型是怎么学会操作的？
Fara1.5-27B 从 Qwen3.5-27B 监督微调而来。监督微调可以简单理解为：先准备一批带有正确操作示范的数据，再让已有模型照着这些示范学习。
训练数据由微软的 FaraGen1.5 生成。按照模型卡的描述，这是一条多智能体流水线：多个 Agent 协作合成网页任务，实际执行解决任务的操作轨迹，再验证结果，最后才把通过检查的数据用于训练。
这一步值得关注，因为浏览器 Agent 学的不只是“按钮在哪里”，还包括操作顺序。订餐时如果尚未选日期就去确认，单次点击即使位置准确，整个任务仍可能失败。生成、执行和验证连成流水线，目的就是为这种多步过程准备训练示范。
Fara 1.5 还与 MagenticLite 协同设计。微软建议研究和生产部署都通过 MagenticLite 使用它。不过，模型卡没有进一步说明这套组合的资源开销，也没有证明 27B 权重能直接在普通用户的浏览器或个人设备上运行。因此，更稳妥的理解是：微软把一个 27B 模型做成了专门服务浏览器操作的组件，使 computer-use 从通用大模型能力进一步靠近可组织、可部署的产品形态。
为什么值得关注？
它展示了一条明确的产品路线：Agent 不必要求网站专门提供结构化接口，也可以像用户一样观察现有页面，再通过少量标准动作推进任务。截图负责感知，结构化调用负责执行，文本轨迹则保存此前做过什么。三者组合起来，才构成一个能够跨页面连续行动的浏览器 Agent。
27B 的规模也让这项工作值得留意。它不是材料中那种只被描述为云端通用大模型的抽象能力，而是一个用途被明确限定、动作接口被规定、部署搭档也被指定的模型。但“更接近可部署”不等于“已经可以放心上线”。微软自己划出的适用边界相当严格。
局限与未知
- 训练数据只有英语，因此微软明确称它不适用于其他语言。材料没有披露跨语言页面上的表现。
- 只看截图会受到页面内提示注入、欺骗性或低质量渲染，以及界面视觉歧义影响。多步任务还会累积错误：前面一次误点，可能让后续操作全部偏离；多轮任务在不同运行之间也存在不可忽略的差异。
- 微软把法律、健康和金融建议等高风险领域，影响法律地位、住房、就业或信贷的资源分配，能够接触敏感账户或文件的非沙箱部署，以及未经额外测试与防护的商业或真实生产使用列为范围外场景。模型卡没有给出基准分数、上下文长度、硬件需求或同类模型对比，实际能力边界仍待更多材料验证。