نموذج مايكروسوفت الجديد للذكاء الاصطناعي Fara-7B، يركز على التشغيل المحلي وخصوصية البيانات، مما يتيح للشركات استخدامه بأمان. يتميز Fara-7B بأداء متميز، ويكمل المهام المعقدة من خلال عمليات الإدراك البصري، مما يظهر الإمكانات غير المحدودة لنماذج الذكاء الاصطناعي. أعلنت مايكروسوفت رسمياً في 24 نوفمبر عن أحدث نموذج للذكاء الاصطناعي Fara-7B، وهذا النموذج الذي يحتوي على 7 مليارات معلمة تم تحديده كـ "وكيل استخدام الكمبيوتر" (Computer Use Agent, CUA)، ويتميز بقدرته على التشغيل مباشرة محلياً دون الاعتماد على قوة الحوسبة السحابية، مع الجمع بين الأداء العالي وخصوصية البيانات. يركز على أمان بيانات الشركات، ويدعم عمليات "الإدراك البصري" يكمن التصميم الأساسي لـ Fara-7B في تلبية متطلبات الخصوصية والامتثال لعملاء الشركات في معالجة المعلومات الحساسة. نظراً لأن النموذج مضغوط بما فيه الكفاية، يمكن تشغيله على أجهزة الكمبيوتر الشخصية، مما لا يقلل فقط من التأخير، بل يتجنب أيضاً تحميل البيانات إلى السحابة، مما يساعد على تنفيذ الأتمتة المحلية، مثل استخدامه في إدارة الحسابات الداخلية ومعالجة المستندات السرية وغيرها من السيناريوهات. الميزة الرئيسية لهذا النموذج هي استخدام طريقة "مشاهدة الشاشة والتشغيل" للتفاعل مع المواقع الإلكترونية - من خلال قراءة تخطيط الشاشة عبر لقطات الشاشة، ثم التنبؤ بإجراءات مثل النقر بالماوس أو الإدخال أو التمرير. على عكس الطرق التقليدية التي تعتمد على بنية المتصفح، يعتمد Fara-7B بالكامل على بيانات مستوى البكسل للاستدلال، لذلك يمكنه العمل بشكل طبيعي حتى مع المواقع ذات بنية الكود المعقدة. يقول ياش لارا، مدير المنتج في معهد أبحاث مايكروسوفت، إن Fara-7B يحقق ما يسمى بـ "سيادة البكسل" من خلال معالجة المدخلات المرئية محلياً، مما يسمح للصناعات الخاضعة للرقابة الشديدة مثل الرعاية الصحية والتمويل باستخدامه بأمان. أداء اختبار يتجاوز GPT-4o، نموذج أصغر وأكثر كفاءة في معيار اختبار WebVoyager، وصل معدل إكمال المهام لـ Fara-7B إلى 73.5%، وهو أعلى من 65.1% لـ GPT-4o و 66.4% لـ UI-TARS-1.5-7B. بالإضافة إلى ذلك، يحتاج Fara-7B في المتوسط إلى 16 خطوة فقط لإكمال المهام، وهو أفضل بشكل ملحوظ من 41 خطوة لـ UI-TARS-1.5-7B، مما يحقق التوازن الأمثل بين الدقة والكفاءة. يقدم Fara-7B أيضاً آلية "نقاط التحقق الحرجة" (critical checkpoints)، والتي تتوقف تلقائياً وتطلب التأكيد عند مواجهة عمليات تتعلق بمعلومات المستخدم الشخصية أو العمليات غير القابلة للعكس (مثل إرسال البريد أو تحويل الأموال)، جنباً إلى جنب مع واجهة تفاعل "Magentic-UI"، مما يوفر خط دفاع آمن للتعاون بين الإنسان والآلة. تقطير المعرفة وتدريب العروض التوضيحية للخبراء، تعزيز إمكانات التعلم الذاتي يستخدم Fara-7B طريقة تدريب "تقطير المعرفة"، التي تدمج 145,000 مثال ناجح للتنقل تم إنشاؤه بواسطة نظام متعدد الوكلاء Magentic-One، وضغطه للتعلم في نموذج واحد. بالإضافة إلى ذلك، يعتمد النموذج الأساسي على Qwen2.5-VL-7B، مع نافذة سياق تصل إلى 128,000 رمز، ويتمتع بقدرات ممتازة لمحاذاة الصور والنصوص، مع التركيز في عملية التدريب على محاكاة عمليات الخبراء البشريين. تقول مايكروسوفت إنها لن تسعى بشكل أعمى وراء نماذج أكبر في المستقبل، بل ستركز على إنشاء نماذج "أصغر وأذكى وأكثر أماناً"، وتخطط لإدخال التعلم المعزز (RL) للتدريب الذاتي في بيئات الصندوق الرملي الاصطناعية. متاح كمصدر مفتوح، يمكن اختباره بحرية للاستخدام التجاري ولكنه ليس منتجاً رسمياً بعد حالياً، تم إصدار Fara-7B كمصدر مفتوح بموجب ترخيص MIT، ويمكن تنزيله واستخدامه على منصات Hugging Face و Microsoft Foundry، ويُسمح باستخدامه في التطبيقات التجارية. ومع ذلك، تذكر مايكروسوفت أيضاً أن النموذج لم يصل بعد إلى معايير نشر بيئة الإنتاج، وهو مناسب حالياً بشكل أساسي للمطورين لاختبار النماذج الأولية والتحقق من الوظائف. قراءة إضافية: Google تطلق WeatherNext 2، نموذج الذكاء الاصطناعي للتنبؤ بالطقس من الجيل الجديد، متاح أولاً على Pixel والبحث وGemini قراءة إضافية: اكتشف الباحثون طريقة سهلة للسؤال تجعل الذكاء الاصطناعي أكثر إبداعاً، وتعمل مع أي نموذج ذكاء اصطناعي سواء ChatGPT أو Gemini أو غيرهما قراءة إضافية: Anthropic تعلن عن نموذج الذكاء الاصطناعي الصغير Claude Haiku 4.5: بتكلفة 1/3 فقط، وأداء يضاهي Sonnet 4، وأداء برمجي يتفوق قليلاً انضم إلى صفحة T客邦 على Facebookنموذج مايكروسوفت الجديد للذكاء الاصطناعي Fara-7B، يركز على التشغيل المحلي وخصوصية البيانات، مما يتيح للشركات استخدامه بأمان. يتميز Fara-7B بأداء متميز، ويكمل المهام المعقدة من خلال عمليات الإدراك البصري، مما يظهر الإمكانات غير المحدودة لنماذج الذكاء الاصطناعي. أعلنت مايكروسوفت رسمياً في 24 نوفمبر عن أحدث نموذج للذكاء الاصطناعي Fara-7B، وهذا النموذج الذي يحتوي على 7 مليارات معلمة تم تحديده كـ "وكيل استخدام الكمبيوتر" (Computer Use Agent, CUA)، ويتميز بقدرته على التشغيل مباشرة محلياً دون الاعتماد على قوة الحوسبة السحابية، مع الجمع بين الأداء العالي وخصوصية البيانات. يركز على أمان بيانات الشركات، ويدعم عمليات "الإدراك البصري" يكمن التصميم الأساسي لـ Fara-7B في تلبية متطلبات الخصوصية والامتثال لعملاء الشركات في معالجة المعلومات الحساسة. نظراً لأن النموذج مضغوط بما فيه الكفاية، يمكن تشغيله على أجهزة الكمبيوتر الشخصية، مما لا يقلل فقط من التأخير، بل يتجنب أيضاً تحميل البيانات إلى السحابة، مما يساعد على تنفيذ الأتمتة المحلية، مثل استخدامه في إدارة الحسابات الداخلية ومعالجة المستندات السرية وغيرها من السيناريوهات. الميزة الرئيسية لهذا النموذج هي استخدام طريقة "مشاهدة الشاشة والتشغيل" للتفاعل مع المواقع الإلكترونية - من خلال قراءة تخطيط الشاشة عبر لقطات الشاشة، ثم التنبؤ بإجراءات مثل النقر بالماوس أو الإدخال أو التمرير. على عكس الطرق التقليدية التي تعتمد على بنية المتصفح، يعتمد Fara-7B بالكامل على بيانات مستوى البكسل للاستدلال، لذلك يمكنه العمل بشكل طبيعي حتى مع المواقع ذات بنية الكود المعقدة. يقول ياش لارا، مدير المنتج في معهد أبحاث مايكروسوفت، إن Fara-7B يحقق ما يسمى بـ "سيادة البكسل" من خلال معالجة المدخلات المرئية محلياً، مما يسمح للصناعات الخاضعة للرقابة الشديدة مثل الرعاية الصحية والتمويل باستخدامه بأمان. أداء اختبار يتجاوز GPT-4o، نموذج أصغر وأكثر كفاءة في معيار اختبار WebVoyager، وصل معدل إكمال المهام لـ Fara-7B إلى 73.5%، وهو أعلى من 65.1% لـ GPT-4o و 66.4% لـ UI-TARS-1.5-7B. بالإضافة إلى ذلك، يحتاج Fara-7B في المتوسط إلى 16 خطوة فقط لإكمال المهام، وهو أفضل بشكل ملحوظ من 41 خطوة لـ UI-TARS-1.5-7B، مما يحقق التوازن الأمثل بين الدقة والكفاءة. يقدم Fara-7B أيضاً آلية "نقاط التحقق الحرجة" (critical checkpoints)، والتي تتوقف تلقائياً وتطلب التأكيد عند مواجهة عمليات تتعلق بمعلومات المستخدم الشخصية أو العمليات غير القابلة للعكس (مثل إرسال البريد أو تحويل الأموال)، جنباً إلى جنب مع واجهة تفاعل "Magentic-UI"، مما يوفر خط دفاع آمن للتعاون بين الإنسان والآلة. تقطير المعرفة وتدريب العروض التوضيحية للخبراء، تعزيز إمكانات التعلم الذاتي يستخدم Fara-7B طريقة تدريب "تقطير المعرفة"، التي تدمج 145,000 مثال ناجح للتنقل تم إنشاؤه بواسطة نظام متعدد الوكلاء Magentic-One، وضغطه للتعلم في نموذج واحد. بالإضافة إلى ذلك، يعتمد النموذج الأساسي على Qwen2.5-VL-7B، مع نافذة سياق تصل إلى 128,000 رمز، ويتمتع بقدرات ممتازة لمحاذاة الصور والنصوص، مع التركيز في عملية التدريب على محاكاة عمليات الخبراء البشريين. تقول مايكروسوفت إنها لن تسعى بشكل أعمى وراء نماذج أكبر في المستقبل، بل ستركز على إنشاء نماذج "أصغر وأذكى وأكثر أماناً"، وتخطط لإدخال التعلم المعزز (RL) للتدريب الذاتي في بيئات الصندوق الرملي الاصطناعية. متاح كمصدر مفتوح، يمكن اختباره بحرية للاستخدام التجاري ولكنه ليس منتجاً رسمياً بعد حالياً، تم إصدار Fara-7B كمصدر مفتوح بموجب ترخيص MIT، ويمكن تنزيله واستخدامه على منصات Hugging Face و Microsoft Foundry، ويُسمح باستخدامه في التطبيقات التجارية. ومع ذلك، تذكر مايكروسوفت أيضاً أن النموذج لم يصل بعد إلى معايير نشر بيئة الإنتاج، وهو مناسب حالياً بشكل أساسي للمطورين لاختبار النماذج الأولية والتحقق من الوظائف. قراءة إضافية: Google تطلق WeatherNext 2، نموذج الذكاء الاصطناعي للتنبؤ بالطقس من الجيل الجديد، متاح أولاً على Pixel والبحث وGemini قراءة إضافية: اكتشف الباحثون طريقة سهلة للسؤال تجعل الذكاء الاصطناعي أكثر إبداعاً، وتعمل مع أي نموذج ذكاء اصطناعي سواء ChatGPT أو Gemini أو غيرهما قراءة إضافية: Anthropic تعلن عن نموذج الذكاء الاصطناعي الصغير Claude Haiku 4.5: بتكلفة 1/3 فقط، وأداء يضاهي Sonnet 4، وأداء برمجي يتفوق قليلاً انضم إلى صفحة T客邦 على Facebook