Microsoft、64台のB200sで6日間ポストトレーニングされたオープンブラウザエージェントをリリース

Why it matters

Fara1.5 shows that competitive browser automation can come from focused post-training of an existing open model, lowering the compute barrier for developer-controlled agents.

Microsoftは7月22日に、Qwen3.5上に構築されたブラウザ利用モデル群であるFara1.5の重みをMITライセンスの下で公開した。リリースにはそれぞれスクリーンショットを読み取り、マウス、キーボード、ナビゲーション操作を生成してウェブサイトを操作するように訓練された、40億、90億、270億パラメータのモデルが含まれる。

最大のモデルは、Hugging Faceのモデルカードによれば、64台のNvidia B200 GPUを6日間の教師ありファインチューニングに使用したという。これは9,216 GPU時間に相当し、Microsoftが独自のコンピュータ利用システムと対置しているモデルにとっては比較的コンパクトなポストトレーニングの実行量だ。

7月27日の0xSero（@0xSero）によるスレッドは、計算コストをおおよそ40,000ドルから60,000ドルと推定した。現在のLambdaの料金は8GPU構成のB200インスタンスをGPU時間あたり6.69ドルとしており、9,216 GPU時間は約61,655ドルになる計算だ。この比較はあくまでレンタル価格の代理であり、Microsoftの内部インフラコストを表すものではなく、データ生成、教師モデルの実行、軌跡の評価、システムを構築した研究者やエンジニアへの支払いといった費用は含まれていない。

有用なのは規模だ。Microsoftは既存の270億パラメータモデルを1週間未満のポストトレーニングの計算でブラウザ専用エージェントに変換した。これにより、基盤モデルのプリトレーニング実行に資金を投じることなく、狭い用途のコンピュータ利用システムを構築するためのより明確な参照点が開発者に提供される。

6日間のランの背後にあるトレーニングパイプライン

Fara1.5は、Ece Kamarが率いるラボであるMicrosoft Research AI Frontiersから生まれた。6月18日に初めて提出され、7月22日に改訂された技術論文には、Ahmed Awadallahを含む14名の共同著者がプロジェクト全体にわたって名を連ねている。

研究者たちは、ウェブタスクを作成し、それを完了しようとする試行を記録し、得られた軌跡をフィルタリングするパイプラインであるFaraGen1.5からのデータを用いてQwen3.5モデルを教師ありファインチューニングした。Microsoftはライブのウェブサイトと、メール、カレンダー、マーケットプレイス、実験管理ツールなどのサービスをカバーする6つの合成環境の両方を使用した。

これらのレプリカは、コンピュータ利用エージェントにとっての基本的なトレーニング問題に対処する。研究者はアカウントログイン、メッセージ、購入、その他の実データを変更する行為を含む無制限のライブデモを安全に収集することはできない。合成環境では、Microsoftがインターフェース、データベース、期待される結果を制御できるため、自動検証器がエージェントの行動前後の状態を比較することが可能になる。

Microsoftによれば、得られたトレーニング混合は約200万サンプルを含む。27Bのモデルカードは約10億のテキストトークンと10億未満の訓練画像を記述している。GPT-5.4で駆動されるソルバーがタスクの軌跡を生成し、別個の検証器が正確性、効率性、さらにエージェントが不可逆的な操作に対して情報不足や確認、承認が必要なときに停止したかどうかを採点した。

この教師-生徒構造は経済性の中心である。大規模な独自モデルがタスクを実行してデモンストレーションを生成し、その後はるかに小さいオープンウェイトのモデルが専門的な振る舞いを学ぶ。開発者はデプロイされたエージェントがウェブサイトをクリックするたびに大規模モデルに支払うのではなく、データ生成時に大きなモデルに対して支払うことになる。

Microsoftのベンチマーク主張には文脈が必要

Microsoftは、Fara1.5-27Bがライブのウェブサイト上で実行されるタスクのベンチマークであるOnline-Mind2Webで72.3%に達したと報告している。Microsoftの研究記事は同じ比較表でOpenAI Operatorが58.3%、GoogleのGemini 2.5 Computer Useが57.3%、Yutori Navigator n1が64.7%であると記載している。

これらの結果は独立したテストではなく、Microsoftによる評価報告であり続ける。Microsoftはセッションを安定化させるためにBrowserbaseを使用し、Faraの結果を3回の実行で平均化した。ブラウザエージェントのスコアは、ウェブサイトの変更、セッションのブロック、評価者の設計、各システムで利用可能な正確なツールによって変動しうるため、単一の表が実際の導入について証明する範囲には限界がある。

Microsoft自身の資料にも不一致がある。研究論文とモデルカードはOnline-Mind2WebでFara1.5-27Bが72.3%であると報告しているが、5月21日の関連するMicrosoftのブログ投稿はそのベンチマークでモデルが90%を超えたと述べている。72.3%という数字が技術論文、研究記事、リポジトリ、モデルカードで繰り返されている数字だ。

WebVoyagerの報告もわずかに異なる。研究記事はFara1.5-27Bに88.6%を与えている一方、現行のモデルカードは89.3%を記載している。両方のソースとも27Bモデルを小さなFaraバリアントより上位に置いているが、バージョン差により過度の精度は有益ではない。

開発者が検査・制御できるエージェント

Fara1.5-27Bは262,144トークンのコンテキストウィンドウを持ち、ドキュメントオブジェクトモデルやアクセシビリティツリーを読むことなくブラウザのスクリーンショットを観察する。クリックやドラッグのためのグラウンドされた座標を予測し、入力、スクロール、URL訪問、検索実行、ユーザーへの質問、タスクの終了が可能だ。

Microsoftはモデルを自社のFaraリポジトリまたはMagneticLiteを通じて実行することを推奨している。MagneticLiteはブラウザをコンテナ内に配置し、ドメインの許可リスト、アクションログ、モニタリングおよび一時停止制御を追加する。モデルカードは、機密ファイルや資格情報を含むマシンでFaraに無制限のブラウザアクセスを与えることに対して明確に警告している。

MITライセンスは開発者に重みを検査・適応する余地を与え、27Bというサイズは小規模なGPUクラスタでモデルを提供できる組織にとってデプロイを現実的に保つ。MicrosoftはモデルがA6000、A100、H100、B200ハードウェアでテストされており、BF16推論では少なくとも2GPUを推奨していると述べている。

Fara1.5は依然としてコンピュータ利用エージェントを危険にする失敗モードを抱えている：ページ内容からのプロンプトインジェクション、長いタスクにわたる誤りの蓄積、幻覚のようなページ状態、および曖昧なインターフェースによる混乱などだ。Microsoftはサンドボックス化されていない使用および高リスクの法務、医療、金融のタスクをモデルの想定範囲から除外している。

今回のリリースは、ブラウザ自動化を追求するチームに対する実践的なレシピを確立する：フロンティアモデルを使ってインタラクションデータを生成・検証し、より小さいオープンモデルを専門化し、それを目的に特化した実行ハーネス内に制約する。6日間のトレーニング実行は目に見える費用だ。合成環境、教師モデルの呼び出し、検証システムこそが再現するのがより困難な資産である。