MagenticLite et Fara1.5 : Microsoft révolutionne les petits modèles IA

MagenticLite : Une nouvelle ère pour l'IA agentique

MagenticLite est une application agentique qui marque une avancée significative dans le domaine des petits modèles d'intelligence artificielle. Développée par Microsoft Research AI Frontiers, cette application est conçue pour fonctionner de manière fluide à la fois dans les navigateurs web et sur les systèmes de fichiers locaux. Elle représente la prochaine génération de Magentic-UI, intégrant un environnement spécialement optimisé pour les petits modèles, ce qui permet de réaliser des tâches complexes avec une efficacité accrue.

L'innovation principale de MagenticLite réside dans son intégration harmonieuse avec deux modèles spécifiques : MagenticBrain et Fara1.5. MagenticBrain est conçu pour l'orchestration et le raisonnement, tandis que Fara1.5 est spécialisé dans les tâches informatiques basées sur le navigateur. Ensemble, ces modèles démontrent comment des outils co-conçus et un environnement d'exécution optimisé peuvent repousser les limites de la performance agentique, même avec des modèles de taille réduite.

Aujourd'hui, Microsoft Research AI Frontiers publie MagenticLite, une application agentique expérimentale conçue pour les petits modèles. En tant que prochaine génération de Magentic-UI, elle fonctionne à travers le navigateur et le système de fichiers local dans un flux de travail unique.

MagenticLite est alimenté par deux modèles spécialement conçus : MagenticBrain, pour le raisonnement, la délégation et l'utilisation terminale, et Fara1.5, une famille de modèles pour les tâches basées sur le navigateur. Les trois composants ont été conçus pour fonctionner ensemble comme un système unique. Le résultat est un agent qui fonctionne efficacement, conserve les données sur la machine de l'utilisateur et prend en charge un large éventail de tâches agentiques. Il pointe également vers un objectif plus large : des agents capables de fonctionner directement sur le matériel des utilisateurs.

Le projet repose sur un pari de recherche clé : que la capacité agentique dépend de l'orchestration des outils et de l'action plutôt que de la connaissance seule. Cette compréhension permet d'utiliser des modèles plus petits tout en permettant un large éventail de tâches agentiques à une fraction du coût.

MagenticLite reflète également notre approche de l'IA agentique de bout en bout — de la génération de données d'entraînement et de la conception de modèles à l'orchestration, la conception d'interaction et la supervision humaine tout au long de l'expérience.

Inclus dans cette version

MagenticLite

La prochaine génération de Magentic-UI, notre expérience agentique expérimentale, est alimentée par un environnement agent reconstruit pour les petits modèles, avec une interface utilisateur mise à jour basée sur les retours de la communauté. Elle fonctionne à travers les navigateurs et les systèmes de fichiers locaux des utilisateurs dans un flux de travail unique.

MagenticBrain

MagenticBrain est le planificateur, le codeur et le délégué de MagenticLite en un. Il transforme des demandes vagues en plans concrets, sélectionne le bon outil ou sous-agent pour chaque étape, écrit du code lorsque nécessaire et se remet en marche si quelque chose échoue en cours de tâche.

Fara1.5

La prochaine génération de notre famille de modèles d'utilisation informatique, Fara1.5, est disponible en trois tailles, avec un modèle phare de 9 milliards de paramètres pour la plupart des cas d'utilisation. Fara1.5 établit de nouveaux résultats à la pointe de la technologie (SOTA) parmi les petits modèles d'utilisation informatique et double presque la performance de Fara-7B sur la navigation web, avec une gestion plus précise des formulaires, des sites nécessitant des identifiants et des tâches de longue durée.

Chaque composant est utile de manière autonome, mais ils fonctionnent mieux ensemble. La co-conception de l'application, des modèles et de l'environnement permet une performance agentique capable et fiable à cette échelle.

Notre approche de recherche : Faire plus avec moins

Nous avons commencé avec une question simple : que faut-il pour qu'un petit modèle soit réellement bon dans les tâches agentiques ? La réponse a couvert l'ensemble du cycle de vie — la génération de données, les objectifs d'entraînement, la conception de modèles et l'orchestration devaient être redessinés ensemble plutôt qu'en isolation.

Nous avons identifié des exigences à partir de cas d'utilisation réels comme le remplissage de formulaires, la recherche dans le navigateur et la gestion de fichiers localement, et avons construit un ensemble de données d'évaluation autour d'eux. Les benchmarks standard capturent une partie de l'image, mais ne mesurent pas toujours directement l'utilité dans le monde réel. Les évaluations basées sur des scénarios ont complété ces benchmarks et sont devenues un signal clé pour l'amélioration itérative des modèles et de l'environnement.

Pour l'expérience utilisateur, nous avons conservé des éléments clés de Magentic-UI, y compris la visibilité sur le raisonnement et les actions de l'agent, la possibilité pour les utilisateurs de prendre le contrôle direct et l'approbation explicite à des points critiques. Basé sur des études récentes, nous avons également rendu MagenticLite plus facile à apprendre et à utiliser grâce à des vues mises à jour pour le navigateur et le chat, conçues pour faciliter la compréhension des actions de l'agent et l'intervention si nécessaire.

Composants du système

Fara1.5 : Un modèle d'utilisation informatique qui surpasse sa catégorie

Fara1.5 est la prochaine génération de notre famille de modèles d'utilisation informatique, disponible en trois tailles, avec un modèle phare de 9 milliards de paramètres recommandé pour la plupart des cas d'utilisation. Fara1.5 atteint de nouveaux résultats SOTA parmi les petits modèles d'utilisation informatique et double presque la performance de Fara-7B sur la navigation web, avec une meilleure gestion des formulaires, des sites nécessitant des identifiants et des tâches de longue durée.

En novembre dernier, nous avons publié Fara-7B, un petit modèle agentique conçu pour accomplir des tâches dans un navigateur web. Il a été entraîné à l'aide d'un nouveau moteur de génération de données synthétiques qui a permis d'atteindre des performances de premier ordre. Fara1.5 est la prochaine étape de ce pari : une famille de trois modèles (4B, 9B, 27B) basée sur Qwen 3.5, conçue pour combler les lacunes que nous avons observées dans la version précédente.

Résultats à la pointe de la technologie

Sur le benchmark populaire Online-Mind2Web, qui contient 300 tâches à travers des domaines web largement utilisés, Fara1.5 établit de nouveaux résultats SOTA pour les modèles de sa catégorie. Fara1.5 surpasse tous les modèles de taille similaire et double presque la performance de Fara-7B. La variante plus grande Fara1.5-27B atteint plus de 90 % de performance sur le même benchmark.

Amélioration de l'expérience utilisateur

En plus des améliorations sur les benchmarks, nous avons amélioré l'expérience utilisateur de Fara1.5. Les utilisateurs devraient observer une performance plus forte sur des tâches quotidiennes comme le remplissage de formulaires, la gestion des connexions pour des sites nécessitant des identifiants et la réservation de rendez-vous. Ces améliorations sont alimentées par la prochaine évolution de notre pipeline de génération de données FaraGen. En plus de l'entraînement sur des sites web en direct, nous avons également formé le modèle dans des environnements synthétiques très réalistes conçus pour simuler des scénarios comme les connexions et les actions irréversibles.

Un espace d'action natif optimisé pour les tâches de longue durée

Au-delà des clics et des actions au clavier, Fara1.5 dispose d'outils intégrés pour stocker des informations clés dans son contexte à travers des centaines d'étapes et demander à l'utilisateur son autorisation ou ses préférences lorsque cela est nécessaire, l'aidant à rester cohérent sur des tâches qui s'étendent sur de nombreuses minutes de travail réel.

Points critiques recalibrés

Fara-7B a été entraîné pour détecter des points critiques pour des activités comme les transactions, les flux de connexion ou les soumissions irréversibles et les signaler. Dans Fara1.5, nous avons affiné notre conception autour des points critiques en nous basant sur nos apprentissages issus de l'utilisation réelle, de sorte que les déclencheurs de sécurité se produisent toujours quand ils le doivent, mais ne bloquent pas les tâches utiles, comme le remplissage de formulaires.

MagenticBrain : Le modèle d'orchestration

MagenticBrain est un modèle d'orchestration de 14 milliards de paramètres — planificateur, codeur et délégué en un. Finesse ajustée à partir de Qwen 3 14B, MagenticBrain a été entraîné de bout en bout au sein de l'environnement MagenticLite avec les mêmes schémas d'outils et environnement d'exécution qu'il rencontrera au moment de l'inférence.

Dans de nombreux systèmes agentiques, l'orchestration (planification et coordination) est le composant le plus intensif en raisonnement, donc les équipes ont historiquement compté sur leurs modèles les plus capables pour ce rôle. Notre pari est que les petits modèles peuvent assumer ce rôle sans sacrifier leur capacité. Deux choix de conception rendent cela possible.

Le premier consiste à combiner des trajectoires d'appel d'outils à plusieurs étapes — où le modèle apprend à choisir le bon outil et à l'appeler correctement — avec des trajectoires de codage et terminales — où la bonne réponse est parfois cinq lignes de Python, pas un appel d'outil. Cela est associé à un couplage étroit entre le format d'outil utilisé pendant l'entraînement et l'inférence.

Le second est la délégation d'agent d'utilisation informatique (CUA). Une partie clé du travail de l'orchestrateur est de savoir quand ne pas agir lui-même et de confier une tâche à Fara1.5. Notre pipeline de données inclut des trajectoires de délégation explicites : des séquences où l'orchestrateur reconnaît une tâche de navigateur ou d'interface utilisateur (UI), émet un transfert structuré au modèle CUA, attend le résultat et reprend la tâche. Le résultat est un modèle d'orchestration qui raisonne, code, appelle des outils et délègue de manière fluide au sein d'un seul espace de 14 milliards de paramètres. Nous publions MagenticBrain qui est conçu pour être utilisé avec MagenticLite.

L'environnement : Conçu pour les petits modèles

L'environnement combine les modèles d'orchestration et d'utilisation du navigateur en un seul flux de travail. Trois choix de conception sont les plus importants :

• Planification étape par étape : L'environnement planifie de manière incrémentale, gardant le système flexible et permettant une correction de cap et une récupération plus fluides tout au long des tâches de longue durée.

• Gestion active du contexte : Les petits modèles ont des fenêtres de contexte effectives plus petites et se dégradent plus rapidement à mesure que le contexte grandit. L'environnement gère activement ce que chaque modèle reçoit à chaque étape, gardant les invites ciblées, ne faisant ressortir que les informations nécessaires, condensant les interactions antérieures en résumés concis et déchargeant le reste, afin que l'orchestrateur et Fara1.5 restent efficaces sur des tâches longues.

• Délégation par sous-agents : Plutôt que de compter sur un seul petit modèle pour chaque tâche, l'orchestrateur agit.