‏هوش مصنوعی رایگان مایکروسافت، از رقبای خود پیشی گرفت

‏تصور کنید به رایانه خود دستور دهید که به دنبال اجاره‌های تعطیلات بگردد، پنج سایت را مقایسه کند، فرم رزرو را پر کند و موردی را که به ساحل نزدیک‌تر است تأیید کند. شما می‌روید قهوه درست می‌کنید. وقتی برمی‌گردید، کار تمام شده است. این وعده “عوامل استفاده از رایانه” است – هوش مصنوعی که صفحه مرورگر شما را می‌خواند و دقیقاً همانطور که یک انسان انجام می‌دهد، بدون نیاز به افزونه‌های خاص، کلیک می‌کند، اسکرول می‌کند و تایپ می‌کند.

پیشتازی مایکروسافت در هوش مصنوعی مرورگر

OpenAI این کار را ابتدا با Operator امتحان کرد که در ژانویه 2025 با قیمت 200 دلار در ماه راه‌اندازی شد و قبل از ادغام در ChatGPT Agent و تعطیلی در آگوست، متوقف شد. گوگل دارای Gemini 2.5 Computer Use است. هر دو اختصاصی، مبتنی بر ابر و پرهزینه هستند.

این هفته، Microsoft Research یک مدل کوچک به نام Fara1.5 را منتشر کرد – و در معیارهایی که اهمیت دارند، هر دو را شکست داد.

این خانواده در سه اندازه عرضه می‌شود: 4 میلیارد، 9 میلیارد و 27 میلیارد پارامتر، که همگی بر اساس Qwen3.5، یک مدل پایه از Alibaba ساخته شده‌اند که مایکروسافت آن را برای کار با مرورگر تنظیم کرده است، و تمام وزن‌ها به صورت عمومی منتشر شده‌اند. (پارامترها تعیین‌کننده وسعت دانش یک مدل هوش مصنوعی هستند، که به طور کلی به معنای ظرفیت بالاتر است.)

رسیدن به این هدف مستلزم بازنگری کل فرآیند توسعه از ابتدا بود. تیم AI Frontiers نوشت: “ما با یک سوال ساده شروع کردیم: برای اینکه یک مدل کوچک واقعاً در کارهای عامل‌محور خوب باشد، چه چیزی لازم است؟” “پاسخ کل چرخه عمر را در بر می‌گرفت – تولید داده، اهداف آموزشی، طراحی مدل و هماهنگی باید با هم و نه به صورت جداگانه بازطراحی می‌شدند.”

معیارهای عملکرد و مقایسه

Online-Mind2Web معیار مهمی در وظیفه‌ای است که مایکروسافت می‌خواست در آن برتری یابد. این معیار، تعداد دفعاتی را که یک عامل هوش مصنوعی 300 کار متنوع و واقعی را در 136 وب‌سایت محبوب زنده به درستی انجام می‌دهد، آزمایش می‌کند – کارهایی مانند مقایسه محصولات، پر کردن فرم‌ها و رزرو خدمات – که به صورت درصدی از کارهای انجام شده صحیح در اینترنت در حال تغییر، امتیازدهی می‌شود.

Fara1.5-27B امتیاز 72٪ را کسب کرد. OpenAI Operator امتیاز 58.3٪ را کسب کرد. Gemini 2.5 Computer Use گوگل امتیاز 57.3٪ را کسب کرد. Navigator n1 از Yutori، بهترین جایگزین اختصاصی، به 64.7٪ رسید. حتی Fara1.5-9B، مدل متوسط، به 63.4٪ رسید – جلوتر از OpenAI و گوگل.

رقبای متن‌باز نیز کم آوردند. GUI-Owl-1.5 از Alibaba با 8 میلیارد پارامتر امتیاز 48.6٪ را کسب کرد. MolmoWeb از AI2 امتیاز 35.3٪ را کسب کرد. مدل قبلی مایکروسافت، Fara-7B، امتیاز 34.1٪ را کسب کرد – که این نسخه را تقریباً دو برابر سلف خود در اندازه‌ای مشابه می‌کند.

در WebVoyager، یک معیار دوم که موفقیت کار را در وب زنده اندازه‌گیری می‌کند، Fara1.5-27B امتیاز 88.6٪ را کسب کرد، که از 87.0٪ OpenAI Operator پیشی گرفت و Holo2 با 30 میلیارد پارامتر از H Company را با 83.0٪ شکست داد.

نوآوری‌های کلیدی در آموزش

راز موفقیت در خط لوله آموزشی نهفته است. مایکروسافت از سیستمی به نام FaraGen1.5 برای تولید داده‌های آموزشی استفاده کرد. بخش هوشمندانه این است: آن‌ها از GPT-5.4 – مدل OpenAI – به عنوان یک “عامل معلم” برای نشان دادن نحوه انجام کارهای مرورگر استفاده کردند. این تظاهرات به داده‌های آموزشی برای Fara1.5 تبدیل می‌شوند. شما اساساً از تواناترین مدل OpenAI برای آموزش یک مدل متن‌باز رقیب استفاده می‌کنید.

آن‌ها همچنین شش نسخه جعلی و کاملاً کاربردی از وب‌سایت‌های واقعی – کلاینت‌های ایمیل، تقویم‌ها، بازارها – ایجاد کردند تا مدل بتواند کارهایی را که نیاز به ورود به سیستم یا اقدامات غیرقابل برگشت (مانند ارسال ایمیل یا رزرو پرواز) دارند، بدون دست زدن به حساب‌های واقعی، تمرین کند. به این آموزش دامنه مصنوعی می‌گویند و بخش مهمی از این است که چرا Fara1.5 کارهای “محدود” را بهتر از پیشینیان خود انجام می‌دهد.

هر مدل طوری طراحی شده است که قبل از انجام کاری که نمی‌تواند آن را لغو کند، متوقف شود و سؤال کند. Yash Lara، مدیر ارشد PM در Microsoft Research، به VentureBeat گفت: “ایجاد تعادل بین محافظت‌های قوی مانند نقاط بحرانی با سفرهای کاربری یکپارچه، کلیدی است.” “داشتن یک رابط کاربری، مانند Magentic-UI مایکروسافت ریسرچ، برای دادن فرصت به کاربران برای مداخله در صورت لزوم، و همچنین کمک به جلوگیری از خستگی تأیید، حیاتی است.”

این مهم است زیرا OpenAI در مورد خطرات هنگام راه‌اندازی ChatGPT Agent، ظرافت به خرج نداد. این شرکت نوشت: “هنگامی که ChatGPT agent را در وب‌سایت‌ها وارد می‌کنید یا کانکتورها را فعال می‌کنید، می‌تواند به داده‌های حساس از آن منابع، مانند ایمیل‌ها، فایل‌ها یا اطلاعات حساب، دسترسی داشته باشد.”

Fara1.5 همه چیز را از طریق MagenticLite اجرا می‌کند، یک محیط مرورگر sandboxed که هر عمل را ثبت می‌کند و به کاربران اجازه می‌دهد در هر نقطه، عامل را متوقف کنند.

آینده Fara1.5

هوش مصنوعی مرورگر به یک مسابقه شلوغ تبدیل شده است – Gemini گوگل در Chrome، Comet از Perplexity، Claude از Anthropic برای Chrome. مزیت Fara1.5 این است که متن‌باز است: وزن‌های عمومی، کد استنتاج متن‌باز در GitHub، روی سخت‌افزاری که شما کنترل می‌کنید اجرا می‌شود. Fara1.5-9B در حال حاضر در Azure AI Foundry فعال است. نسخه‌های 4B و 27B به زودی می‌رسند. مایکروسافت می‌گوید قصد دارد Fara1.5 را فراتر از مرورگر و به نرم‌افزارهای دسکتاپ و سازمانی گسترش دهد.