Im November 2025 stellte Microsoft Fara-7B vor, ein kompaktes, aber leistungsstarkes „Computer Use Agent”-Modell, das Automatisierung – Klicken, Tippen, Navigation – durch screenshotbasiertes Verständnis und Steuerung direkt auf den PC-Desktop bringt. Dies stellt eine bedeutende Veränderung dar: Anstelle von cloudbasierten Stacks, die eine aufwendige Infrastruktur erfordern, kann Fara-7B lokal ausgeführt werden und bietet Geschwindigkeit, Datenschutz und Barrierefreiheit.
Dieser Artikel befasst sich eingehend mit dem Design, den Fähigkeiten, der Leistung, dem Potenzial in der Praxis, den Einschränkungen und der Bedeutung von Fara-7B für die Zukunft der KI-gestützten Computerautomatisierung.
Was ist Fara-7B?
Fara-7B ist ein multimodales kleines Sprachmodell (SLM) mit 7 Milliarden Parametern, das speziell als Computer Use Agent (CUA) entwickelt wurde. Anstatt wie typische LLMs Text zu generieren, interpretiert es PC- oder Browser-Screenshots, entscheidet über die geeignete nächste Aktion (Klicken, Tippen, Scrollen, Navigieren usw.) und führt diese Aktion über Koordinaten aus – im Wesentlichen ahmt es die menschliche Interaktion mit einer Computerschnittstelle nach.
Im Gegensatz zu herkömmlichen agentenbasierten Systemen, die auf komplexen Multi-Modell-Stacks, externen Tools oder einer großen Cloud-Infrastruktur basieren, ist Fara-7B ein einziges Modell, das die gesamte Pipeline „End-to-End“ ausführt. Microsoft beschreibt es als sein erstes „agentenbasiertes kleines Sprachmodell für die Computernutzung“.
Wichtige Unterscheidungsmerkmale:
- Screenshot-basierte Steuerung: Die Steuerung erfolgt direkt anhand von Screenshots, ohne dass auf Barrierefreiheitsbäume oder zugrunde liegende Metadaten von UI-Elementen zurückgegriffen werden muss.
- Ausführung auf dem Gerät: Aufgrund seiner moderaten Größe und effizienten Architektur kann Fara-7B auf einem typischen PC ausgeführt werden, wodurch die Latenz reduziert und die Privatsphäre gewahrt wird, da die Benutzerdaten das Gerät nicht verlassen müssen.
- Open-Weight-Modell: Microsoft hat das Modell unter einer offenen Lizenz veröffentlicht und es Entwicklern über Microsoft Foundry und HuggingFace zur Verfügung gestellt.
Fara-7B vereint die Funktionen der visuellen Erkennung, Entscheidungsfindung und GUI-Interaktion und ermöglicht so reale PC-Automatisierungsaufgaben mit einem einzigen, effizienten Modell.
Wie Fara-7B entstanden ist: Die Datenpipeline und das Modelldesign
Der Aufbau einer leistungsfähigen CUA erfordert realistische Daten darüber, wie Menschen Computer tatsächlich nutzen – doch bisher gab es nur wenige Datensätze, die echte menschliche GUI-Interaktionen erfassen. Microsoft hat dieses Problem mit einem neuartigen System zur Datengenerierung namens FaraGen gelöst.
FaraGen: Synthetische Web-Interaktion in großem Maßstab
- Aufgabengenerierung über viele Bereiche hinweg: FaraGen generiert Aufgaben, die weit verbreitete Websites aus verschiedenen Bereichen abdecken – von E-Commerce über Reisen, Foren, Content-Websites bis hin zu Immobilien und mehr.
- Multi-Agenten-Lösung und -Verifizierung: Eine Sammlung von Agenten (Benutzersimulator-Agenten, Websurfer-Agenten, Orchestrator-Agenten) versucht, die Aufgaben auf realen Websites mithilfe eines UI-Automatisierungstoolkits zu lösen. Nach der Ausführung überprüfen drei separate KI-Verifizierer, ob die aufgezeichneten, auf Screenshots basierenden Aktionen die Aufgabe erfolgreich abgeschlossen haben. Nur verifizierte Trajektorien werden beibehalten.
- Skalierbarkeit und Kosteneffizienz: Die Pipeline produzierte 145.603 verifizierte Trajektorien mit insgesamt über 1 Million Einzelaktionen in 70.117 einzigartigen Domänen – zu einem Preis von etwa 1 US-Dollar pro Trajektorie.
Diese Daten – mehrere Schritte „Beobachten → Denken → Handeln“ – bildeten die Trainingsgrundlage für Fara-7B und ermöglichten es ihm, realistische Muster der GUI-Interaktion zu erlernen.
Modellarchitektur und Aktionsschnittstelle
- Basismodell: Fara-7B baut auf einer vision-bewussten Basis auf, genauer gesagt auf einer Version von Qwen 2.5-VL-7B.
- Eingabe/Kontext: Das Modell nimmt als Eingabe ein Benutzerziel (Text), die neuesten Screenshots und die vollständige Historie früherer „Gedanken + Handlungen” entgegen. Es unterstützt ein großes Kontextfenster (≈ 128.000 Token) – entscheidend für lange oder mehrstufige Aufgaben.
- Ausgabe: Bei jedem Schritt generiert das Modell zunächst eine „Gedankenkette” (seine Überlegungen dazu, was zu tun ist) und gibt dann einen Tool-Aufruf aus, der die nächste Aktion mit Argumenten angibt (z. B. Pixelkoordinaten für einen Klick, Text zum Tippen, URL für die Navigation). Diese Tools werden einer GUI-Automatisierungsschnittstelle zugeordnet (mouse_move, left_click, scroll, type, visit_url, search usw.) – implementiert über das Forschungs-UI-Framework von Microsoft (Magentic-UI / UI-Abstraktionen).
- Lokale Ausführung und minimaler Overhead: Da das Modell anhand von Pixeln argumentiert und Low-Level-Befehle ausgibt, sind keine eingebetteten Barrierefreiheitsdaten oder aufwändige externe Tool-Aufrufe erforderlich – dies ermöglicht die Bereitstellung auf dem Gerät (z. B. Standard-Windows-PC, Copilot+ PC) mit überschaubarer Latenz und Vorteilen für den Datenschutz.
Leistung: Benchmarks, Effizienz und Vergleich mit anderen Agenten
Microsoft evaluated Fara-7B across a set of standard and novel benchmarks for web/GUI tasks. The results are impressive given its parameter count and architectural simplicity.
| Benchmark / Metric | Fara-7B Erfolgsquote | Ausgangsbasis / Anmerkungen |
| WebVoyager | 73.5% | Übertrifft die Basislinie des vorherigen 7B-Wirkstoffs (UI-TARS-1.5-7B) |
| Online-Mind2Web | 34.1% | Besser als der Ausgangswert 31,3 % |
| DeepShop (Einkauf/E-Commerce-Aufgaben) | 26.2% | Der Ausgangswert lag bei 11,6 % – eine deutliche Verbesserung. |
| WebTailBench (neuer Benchmark, der unterrepräsentierte reale Aufgaben abdeckt – Bewerbungen, Immobiliensuche, Aufgaben an mehreren Standorten, Preisvergleiche) | 38.4% | Basiswert 19,5 % – fast doppelte Leistung |
Über die reinen Erfolgsraten hinaus zeigt Fara-7B eine höhere Effizienz:
- Bei WebVoyager-Aufgaben sind es durchschnittlich 124.000 Eingabetoken und 1.100 Ausgabetoken pro Aufgabe mit ~16,5 Aktionen.
- Die geschätzten Kosten pro Aufgabe (in Bezug auf den Token-Verbrauch) betragen ≈ 0,025 USD, verglichen mit ~0,30 USD für größere „System-of-Models”-Agenten (SoM) auf Basis von GPT-5 oder anderen Frontier-Modellen.
- Weniger durchschnittliche Aktionen und Schritte im Vergleich zu älteren Small-Agent-Baselines – was die Fehlerakkumulation reduziert und die Robustheit verbessert.
Kurz gesagt: Fara-7B bietet in seiner Größenklasse modernste Leistung, die oft mit viel größeren Agenten konkurrieren kann, dabei jedoch weitaus effizienter und kostengünstiger ist und lokal ausgeführt werden kann.
Was kann Fara-7B leisten – Anwendungsfälle und praktische Anwendungen
Da Fara-7B Bildschirminhalte interpretieren und darauf reagieren kann, eröffnet es viele Möglichkeiten für Automatisierungen und Anwendungsfälle in der Praxis:
Browser / Web-Automatisierung und Produktivität
- Automatisches Ausfüllen von Formularen (Bewerbungen, Kontaktformulare, Registrierungsseiten).
- Einkaufsaufgaben: Vergleichen von Produkten auf verschiedenen Websites, Überprüfen von Preisen/Verfügbarkeit, Befüllen von Warenkörben.
- Browsing-Abläufe auf mehreren Websites: z. B. Suchen von Immobilienangeboten auf verschiedenen Portalen, Zusammenfassen der Ergebnisse.
- Buchungen und Terminplanung: Reservierungen vornehmen, Tickets buchen, einfache webbasierte Arbeitsabläufe verwalten.
Desktop- und Betriebssystem-Automatisierung
- Automatisierung sich wiederholender GUI-Aufgaben: Dateiverwaltung, Öffnen von Anwendungen, Organisieren von Verzeichnissen.
- Automatisierung von Arbeitsabläufen in Unternehmenssoftware, für die keine API verfügbar ist – beispielsweise ältere Tools, auf die nur über die GUI zugegriffen werden kann.
Datenschutz / Offline-Automatisierung
Da Fara-7B auf dem Gerät ausgeführt werden kann, bleiben sensible Daten (z. B. E-Mails, interne Dokumente, lokale Workflows) lokal gespeichert und bieten somit eine datenschutzkonforme Alternative zu cloudbasierten Agenten.
Schnelle Prototypenentwicklung & Entwickler/Forscher
- Kostengünstige Automatisierung Da Fara-7B offen zugänglich ist und über HuggingFace / Microsoft Foundry verfügbar ist, können Entwickler und Forscher damit experimentieren, es anpassen, optimieren oder in benutzerdefinierte Automatisierungs-Pipelines integrieren.
- Es kann als Grundlage für die Entwicklung spezialisierterer „Agent-Apps” dienen – z. B. automatisierte Forschungsassistenten, GUI-basierte RAG, automatisierte Workflows im Web und auf dem Desktop.
Kosteneffiziente Automatisierungen
Für Unternehmen, die eine umfassende Automatisierung benötigen, aber die hohen Kosten von Cloud-basierten Agenten (oder komplexer Orchestrierung) vermeiden möchten, ist Fara-7B aufgrund seines geringen Ressourcenbedarfs und seiner Effizienz pro Aufgabe eine praktikable Alternative.
Was macht Fara-7B so bedeutend: Warum es wichtig ist
Fara-7B ist mehr als nur ein weiteres KI-Modell: Es steht für einen strategischen Wandel in unserer Sichtweise auf KI-gestützte agentenbasierte Modelle und Automatisierung. Hier sind die Gründe dafür:
Von cloudlastigen Agenten zu gerätebasierten, leichtgewichtigen Agenten
Bislang erforderten die leistungsfähigsten agentenbasierten Systeme – also solche, die GUIs navigieren, Webaufgaben bewältigen usw. können – eine Cloud-Infrastruktur, mehrere kooperierende Modelle (Vision + Schlussfolgerung + Werkzeuggebrauch) und eine komplexe Orchestrierung. Fara-7B verdichtet dies zu einem einzigen, in sich geschlossenen Modell, das lokal ausgeführt wird. Dies reduziert die Latenz, die Infrastrukturkosten und verbessert den Datenschutz.
Synthetische Datengenerierung als Weg zur Skalierung
Fara-7B zeigt die Leistungsfähigkeit synthetischer Daten – über FaraGen –, um den Mangel an Datensätzen aus realen menschlichen Interaktionen zu überwinden. Durch die Generierung, Verifizierung und Kennzeichnung groß angelegter GUI-Interaktionsverläufe hat Microsoft eine skalierbare Pipeline zum Trainieren effektiver CUAs geschaffen und damit die Tür für weitere Innovationen geöffnet.
Überbrückung der Kluft zwischen Mensch und Maschine
Durch die Auswertung von Screenshots und Pixelkoordinaten – in Anlehnung an das visuelle Verständnis des Menschen – vermeidet Fara-7B die Notwendigkeit expliziter Metadaten zur Barrierefreiheit, DOM-Bäume oder eine tiefe Integration in OS-APIs. Dies senkt die Hürden für die Automatisierung über beliebige Software, Websites oder UI-Frameworks hinweg.
Datenschutz und Geräteautonomie
Da die Daten lokal verarbeitet werden, bietet Fara-7B ein datenschutzorientiertes Modell für die Automatisierung – besonders relevant in regulierten Branchen oder für datenschutzbewusste Nutzer. Außerdem macht es den Nutzer unabhängig von der ständigen Abhängigkeit von Cloud-Diensten.
Democratizing Automation: Open-Weight Model
Durch die Veröffentlichung von Fara-7B unter einer freizügigen Lizenz lädt Microsoft Entwickler weltweit dazu ein, zu experimentieren, zu verfeinern und zu erweitern – was Innovationen beschleunigen, zu Nischenanwendungen führen und eine Bindung an einen bestimmten Anbieter vermeiden kann.
Einschränkungen und Herausforderungen: Was Fara-7B (noch) nicht kann – und worauf man achten sollte
Fara-7B ist leistungsstark – aber kein Allheilmittel. Es gibt wichtige Einschränkungen und Bereiche, in denen Vorsicht oder menschliche Aufsicht nach wie vor entscheidend sind:
Screenshot-basierte Schlussfolgerungen sind fragil
- Änderungen/Neugestaltung der Benutzeroberfläche: Wenn sich das Layout einer Website oder Anwendung ändert, Schaltflächen verschoben werden oder Beschriftungen geändert werden, kann es vorkommen, dass ein screenshotbasierter Agent falsch klickt oder etwas falsch interpretiert.
- Dynamische Inhalte/aufwändiges JS/komplexe UI-Zustände: GUIs mit dynamischer Darstellung, Overlays, Modals oder benutzerdefinierten Steuerelementen lassen sich allein mit dem Sehsinn möglicherweise schwerer zuverlässig interpretieren.
Begrenzte Langzeitgedächtnis- und Kontexttiefe
Obwohl das Kontextfenster groß ist, kann es dennoch schwierig sein, lange Interaktionssequenzen über mehrere Anwendungen oder Registerkarten hinweg zu verfolgen. Zustandssynchronisation, Kontextverschiebungen oder unbeabsichtigte Nebenwirkungen sind weiterhin möglich.
Zuverlässigkeit vs. menschenüberwachte Automatisierung
Obwohl die Benchmarks überzeugend sind, ist Fara-7B nicht fehlerfrei. Microsoft selbst weist auf „kritische Punkte” hin: Vor der Ausführung irreversibler Aktionen (wie dem Versenden von E-Mails oder Finanztransaktionen) hält der Agent inne und fordert eine Bestätigung durch den Benutzer an.
Außerdem: Einige Aufgaben erfordern möglicherweise Logik oder Fachwissen, das über das hinausgeht, was synthetische Trainingsdaten erfassen können – daher bleibt die menschliche Validierung für Workflows mit hohem Risiko weiterhin notwendig.
(Derzeit) auf Interaktionen auf GUI-Ebene beschränkt
Fara-7B arbeitet auf GUI-Ebene (Klicken, Tippen, Scrollen). Es verfügt nicht über fundierte Kenntnisse der Anwendungs-APIs und kann Integrationen, die über APIs oder Automatisierungsframeworks verfügbar sind, nicht ersetzen, sofern diese vorhanden sind.
Verallgemeinerung und Randfälle
Obwohl Fara-7B auf vielen Websites und Domänen trainiert wurde, können Randfälle, seltene oder obskure Websites und hochgradig angepasste Unternehmenssoftware dennoch Herausforderungen darstellen. Synthetische Daten erfassen möglicherweise nicht alle Randfälle vollständig.
Was dies für Benutzer und Entwickler bedeutet – Praktische Erkenntnisse
Für Nutzer, Entwickler und Organisationen eröffnet Fara-7B neue Möglichkeiten. Hier sind konkrete Empfehlungen und Auswirkungen:
Einzelbenutzer und Power-User
- Probieren Sie lokale Automatisierung aus – Ob Sie wiederkehrende Webaufgaben automatisieren, E-Mails verwalten, Formulare ausfüllen oder Stapelverarbeitungen durchführen möchten: Mit Fara-7B können Sie Ihren eigenen PC automatisieren, ohne von der Cloud abhängig zu sein.
- Schützen Sie Ihre Privatsphäre – Bei Aufgaben mit sensiblen Daten (Finanzen, persönliche Unterlagen, interne Dokumente) sorgt die Automatisierung auf dem Gerät dafür, dass die Daten Ihr Gerät nicht verlassen.
- Mit Vorsicht verwenden – validieren – Bei irreversiblen oder sensiblen Aufgaben (Zahlungen, persönliche Informationen, rechtliche Formulare) sollten Sie immer die Sicherheitsfunktion „Bestätigung kritischer Punkte” aktivieren und die endgültigen Aktionen manuell überprüfen.
Für Entwickler und Forscher
- Entwickeln Sie experimentelle GUI-Automatisierungstools – Da Fara-7B offen ist und eine umfangreiche Aktions-API (Maus, Tastatur, Navigation) unterstützt, können Entwickler Tools wie automatisierte Tests, Dateneingabe-Bots, GUI-Makro-Recorder usw. erstellen.
- Erweiterung durch benutzerdefinierte Pipelines – Mit FaraGen als Blaupause können Sie domänenspezifische synthetische Datensätze erstellen – z. B. für Unternehmenssoftware, interne Anwendungen, benutzerdefinierte Workflows – und das Modell dann für spezielle Aufgaben optimieren.
- Kombinieren Sie es mit herkömmlicher Automatisierung/API-Integrationen – In Kontexten, in denen APIs oder native Automatisierung vorhanden sind, verwenden Sie Fara-7B für UI-Aufgaben und Tools für eine tiefere Integration – ein hybrider Ansatz für maximale Flexibilität.
Für Organisationen / Unternehmen
- Automatisierung älterer GUI-basierter Systeme – Viele Unternehmens-Tools verfügen nicht über APIs. Fara-7B bietet eine Möglichkeit, diese zu automatisieren, ohne sie neu zu programmieren oder umzugestalten.
- Kostengünstigere Automatisierung – Der Einsatz von schlanken Agenten auf Edge- oder Mitarbeitergeräten kann weitaus kostengünstiger und schneller sein als die Bereitstellung einer cloudbasierten Automatisierungsinfrastruktur.
- Datenschutzbewusste Workflows – Für regulierte Branchen oder datenschutzrelevante Aufgaben bieten gerätebasierte Agenten Vorteile hinsichtlich der Compliance.
Das große Ganze: Was Fara-7B für die Zukunft von KI und Automatisierung bedeutet
Fara-7B könnte nur der Anfang sein. Seine Veröffentlichung markiert einen umfassenderen Wandel im Bereich KI-/Agentendesign – weg von großen, cloudbasierten, aus mehreren Komponenten bestehenden Stacks hin zu kompakten, effizienten, gerätebasierten Agenten. Einige weiterreichende Auswirkungen:
- Zunehmende Rentabilität von On-Device-Agenten: Mit der Verbesserung der Hardware (GPUs/NPUs auf Laptops, PCs) werden Tools wie Fara-7B die Automatisierung im privaten und geschäftlichen Bereich demokratisieren.
- Aufstieg synthetischer Datenpipelines: Der Aufbau groß angelegter Interaktionsdatensätze mithilfe synthetischer Methoden – wie FaraGen – verringert einen historischen Engpass (Mangel an realen aufgezeichneten UI-Interaktionsdaten) und könnte viele weitere domänenspezifische Agentenmodelle ermöglichen.
- Hybride Automatisierungsökosysteme: Zukünftige Workflows könnten On-Device-GUI-Agenten, API-Integrationen und cloudbasierte LLMs kombinieren und so das Beste aus Datenschutz, Automatisierungsbreite und komplexer Argumentation bieten.
- Neue Benutzeroberflächen für KI-Agenten: Agenten wie Fara-7B verwischen die Grenze zwischen Benutzer, Automatisierung und System und ermöglichen „konversationsfähige Automatisierungsprogramme”, persönliche Assistenten oder „KI-Babysitter”, die Ihren PC auf der Grundlage hochrangiger Anweisungen bedienen.
- Ethische/sicherheitsrelevante Überlegungen: Mit größerer Automatisierungsleistung gehen auch Risiken einher. Korrektes Sandboxing, die Zustimmung der Benutzer zu kritischen Aktionen, Transparenz bei Automatisierungsprotokollen und Sicherheitsüberwachung werden unerlässlich sein.
Fazit: Fara-7B ist ein Meilenstein – aber nicht das Ende
Fara-7B ist nicht nur ein weiteres LLM – es steht für einen Paradigmenwechsel in der Art und Weise, wie KI mit Computern interagieren kann. Durch die Kombination von screenshotbasierter visueller Wahrnehmung, Schlussfolgerungen und direkter GUI-Steuerung in einem kompakten, geräteinternen Modell hat Microsoft gezeigt, dass „agente Computeranwendungen” demokratisiert werden können.
Für Benutzer bedeutet dies leistungsfähigere Automatisierung zu geringeren Kosten und besserer Datenschutz. Für Entwickler und Unternehmen eröffnet es Wege zur Automatisierung älterer GUI-Workflows ohne Neugestaltung. Im Bereich der KI bestätigt es, dass kompakte Modelle + synthetische Daten + clevere Architektur mit schwereren cloudbasierten Agenten konkurrieren können – was möglicherweise die Verbreitung von „persönlichen KI-Agenten” auf Geräten weltweit beschleunigen wird.
Allerdings ist Fara-7B – wie jede Technologie – kein Zauberstab. Es erfordert eine sorgfältige Nutzung, menschliche Aufsicht (insbesondere bei irreversiblen Aufgaben) und das Bewusstsein für seine Grenzen. Aber seine Veröffentlichung markiert einen wichtigen Meilenstein: Wir könnten bald in einer Welt leben, in der es so einfach ist, Ihrem PC zu sagen, was er tun soll – und ihn dazu zu bringen, es gut zu machen –, wie eine Anfrage zu tippen oder auf eine Schaltfläche zu klicken.
FAQs
Was genau kann Fara-7B?
Fara-7B kann Screenshots Ihres Desktops oder Browsers interpretieren, eine Abfolge von Aktionen (Klicks, Tippen, Navigation, Scrollen) planen und diese ausführen – wodurch Webaufgaben, GUI-Interaktionen, das Ausfüllen von Formularen, Einkaufsabläufe, Dateiverwaltung und viele einfache bis mittelkomplexe Arbeitsabläufe effektiv automatisiert werden.
Benötige ich einen leistungsstarken PC oder Cloud-Hardware, um es auszuführen?
Nein – einer der Hauptvorteile von Fara-7B ist, dass es klein und leicht genug ist, um auf einem typischen PC (oder „Copilot+ PC“) ohne Cloud-Infrastruktur ausgeführt zu werden, wodurch es für normale Benutzer zugänglich ist.
Ist das Modell Open Source/frei verfügbar?
Ja. Microsoft hat Fara-7B als Open-Weight unter einer freizügigen Lizenz (MIT) veröffentlicht, und es ist auf Plattformen wie Microsoft Foundry und HuggingFace verfügbar.
Wie zuverlässig ist es? Kann es Fehler machen?
Die Benchmark-Ergebnisse von Fara-7B sind stark (z. B. 73,5 % bei WebVoyager) und es übertrifft frühere Baselines und die meisten Agenten gleicher Größe. Allerdings ist es – wie alle KI-Agenten – nicht perfekt. Es können Fehler auftreten, insbesondere in dynamischen, nicht standardmäßigen oder tief verschachtelten UI-Kontexten. Microsoft hat zur Erhöhung der Sicherheit Bestätigungsaufforderungen für irreversible Aktionen (wie Zahlungen) an „kritischen Punkten” eingebaut.
For what tasks is Fara-7B unsuitable (or less suitable)?
Tasks that require deep domain knowledge, non-GUI logic, secure authentication flows, cryptographic actions, or very specialized enterprise software — especially where layout or UI changes frequently — may be problematic. Also, tasks requiring rich API-level integrations may be better served by dedicated tools rather than GUI automation.