はじめに
Microsoft Research AI Frontiersが2026年5月21日、小型モデル向けに設計されたエージェントアプリケーション「MagenticLite」と、それを支える2つのモデル「MagenticBrain」「Fara1.5」を公開しました。本稿では、各コンポーネントの役割と設計思想、実際にできることについて解説します。
参考記事
- タイトル: MagenticLite, MagenticBrain, Fara1.5: An agentic experience optimized for small models
- 著者: Microsoft Research AI Frontiers
- 発行元: Microsoft Research
- 発行日: 2026年5月21日
- URL: https://www.microsoft.com/en-us/research/blog/magenticlite-magenticbrain-fara1-5-an-agentic-experience-optimized-for-small-models/
関連記事
要点
- MagenticLiteは、ブラウザとローカルファイルシステムをまたいで動作するエージェントアプリケーションであり、Magentic-UIの次世代版として公開された
- MagenticBrainはQwen 3 14Bをベースとしたオーケストレーションモデルで、計画立案・コーディング・サブエージェントへの委任を1つのモデルで担う
- Fara1.5は4B・9B・27Bの3サイズ展開のコンピューター操作モデルで、Online-Mind2Webベンチマークにおいて同規模モデルのSOTA（最高性能）を達成した
- Fara1.5-9BはFara-7Bのウェブナビゲーション性能をほぼ2倍に引き上げており、Fara1.5-27Bは同ベンチマークで90%超のスコアを記録している
- 全コンポーネントはユーザーのローカル環境で動作し、データが外部へ送出されないアーキテクチャを採用している
詳細解説
全体像：1つの体験を構成する3つのコンポーネント
Microsoft Research AI Frontiersが今回公開したのは、MagenticLite・MagenticBrain・Fara1.5という3つのコンポーネントで構成されるシステムです。これらは単体でも利用できますが、一体として設計されており、組み合わせることで最大の効果を発揮します。
このプロジェクトの出発点となった研究上の仮説は、「エージェント能力はモデルの知識量よりも、ツールのオーケストレーション（調整・連携）と行動実行に依存する」というものです。Microsoft Researchによれば、この前提に立てば大型モデルに頼らずとも幅広いタスクへの対応が可能になると考えられます。大型モデルの利用にはコストや応答速度の面での課題がありますが、小型モデルへの最適化が進めば、より多くの場面でエージェントを活用できる可能性があります。
MagenticLite：Magentic-UIの次世代版
MagenticLiteは、Magentic-UIの後継にあたるエージェントアプリケーションです。ブラウザとローカルファイルシステムを1つのワークフローで操作できる点が特徴で、フォーム入力・予約・情報収集・ローカルファイルの整理といったタスクをAIが自律的に実行します。
UIはユーザー調査のフィードバックをもとに刷新されており、エージェントの行動ログの可視化・直接操作への切り替え・重要操作前の人間による明示的な承認、といった「ヒューマン・イン・ザ・ループ」の仕組みを維持しています。すべての処理はユーザー端末上のQEMUベースのサンドボックス「Quicksand」内で実行されるため、ブラウザセッションとコード実行がホストシステムから分離された構造になっています。
Fara1.5：小型クラスで最高水準のコンピューター操作性能
Fara1.5は、ブラウザ操作に特化したコンピューター操作モデルファミリーです。4B・9B・27Bの3サイズ展開で、一般的な用途には フラッグシップの9Bモデル が推奨されています。Qwen 3.5をベースに開発されており、前世代のFara-7Bの後継にあたります。
Microsoft Researchによれば、Fara1.5は広く使われているウェブドメインの300タスクを対象とした「Online-Mind2Web」ベンチマークで、同規模モデルのSOTAを達成しました。Fara1.5-9BはFara-7Bのウェブナビゲーション性能をほぼ2倍に引き上げており、上位モデルの Fara1.5-27Bは同ベンチマークで90%超 のスコアを記録しています。
機能面では、フォーム入力・認証サイトへのログイン・長時間にわたるタスクへの対応力が強化されています。また、数百ステップにわたるタスクでも文脈を保持できるよう、重要情報をコンテキストに格納するネイティブのアクション空間が設計されています。前世代から引き継がれた「クリティカルポイント検出」機能（取引・ログイン・取り消し不能な操作を検知して人間の確認を求める仕組み）は、実際の使用例をもとに精度が調整されており、不要な実行ブロックが減りながらも必要な安全確認は維持される設計になっています。
学習にはライブウェブサイトでのトレーニングに加え、ログインや取り消し不能な操作を模倣した高精度な合成環境も活用されています。これは、FaraGenと呼ばれるデータ生成パイプラインの進化によるものです。
MagenticBrain：14Bで担うオーケストレーション
MagenticBrainは、MagenticLite全体の調整役（オーケストレーター）を担う 14Bパラメータ のモデルです。Qwen 3 14Bをファインチューニングしており、計画立案・コーディング・適切なサブエージェントへの委任という3つの役割を1つのモデルで担います。MagenticLiteのハーネスと同一のツールスキーマ・実行環境でエンドツーエンドのトレーニングを行っているため、学習時と推論時の間にギャップが生じない設計になっています。
設計上の特徴は2点あります。1点目は、マルチステップのツール呼び出しとコーディング・ターミナル操作の両方に対応するトレーニングデータの組み合わせです。「ツールを呼び出すべき場面」と「Pythonコードを書いた方が効率的な場面」を適切に判断できるよう学習されています。2点目は「CUAデリゲーション」と呼ばれる委任の仕組みです。ブラウザ操作やUI操作が必要と判断した場合にFara1.5へ処理を委任し、結果を受け取った後にタスクを再開する一連の流れが、明示的な委任軌跡でトレーニングされています。
従来、オーケストレーションは最も高性能な大型モデルが担うとされてきた領域だと思います。その役割を14Bという比較的小さなモデルが担える可能性を示している点は、コスト効率と運用のしやすさの観点から注目したいところです。
ハーネス：小型モデルに合わせた実行基盤の設計
「ハーネス」は、オーケストレーターモデルとコンピューター操作モデルを1つのワークフローに統合する実行基盤です。3つの設計方針が鍵になっています。
まず ステップ・バイ・ステップの計画立案 です。タスク全体をあらかじめ固定するのではなく段階的に計画を進めることで、途中修正や回復がしやすくなっています。次に アクティブなコンテキスト管理 です。小型モデルはコンテキストウィンドウが相対的に小さく、文脈が長くなるほど性能が低下しやすい特性があります。ハーネスが各ステップで必要な情報のみをモデルに渡し、過去のやり取りを簡潔な要約に圧縮する仕組みを持っています。最後が サブエージェントへの委任 です。1つのモデルにすべてを任せるのではなく、ブラウザ操作はFara1.5に委任することで、それぞれの小型モデルが得意な領域に集中できる構造になっています。将来的には複数のサブエージェントを並列実行する拡張も想定されているとのことです。
まとめ
MagenticLite・MagenticBrain・Fara1.5は、「小型モデルでも本格的なエージェント体験は実現できる」という研究的な問いへの、現時点での回答といえます。ローカル動作・ユーザー承認の維持・小型モデルの役割分担という設計方針は、コストや安全性の観点からも興味深いところです。小型モデルを使ったエージェントAI構築の戦略についてさらに知りたい方は、過去記事でも整理していますので、あわせてご覧いただければと思います。
