Microsoft Research: MagenticLite + Fara1.5 (4B/9B/27B) — agentic AI optimiziran za male modele postiže SOTA

Microsoft Research objavio je 21. svibnja 2026. trojni paket za agentic AI koji konkretno argumentira da računarski sustavi s autonomnim agentima ne trebaju ovisiti o frontier modelima veličine GPT-5 ili Claude Opus. Najavljeni su istovremeno MagenticLite (UI aplikacija za browser i filesystem), MagenticBrain (14B orchestration model fine-tuned iz Qwen 3 14B) i Fara1.5 (computer-use model u tri veličine: 4B, 9B i 27B).

Što čini Fara1.5 modele drugačijima od konkurencije?

Fara1.5 je dizajniran za computer-use zadatke — agenta koji navigira browserom, popunjava forme, klika na linkove, čita stranice i interpretira UI elemente. Microsoft nudi tri veličine — 4B za edge i mobile use cases, 9B za balansiran inference trošak, te 27B za maksimum performansi. Sve tri veličine su pod istim arhitektonskim principom: koodesign s alatima i harness slojem koji eliminira potrebu za ogromnim parametarskim brojevima.

Ključna metrika je Online-Mind2Web benchmark — set od 300 stvarnih web zadataka koji uključuju multi-step browsing, prikupljanje informacija i interakciju s realnim sajtovima. Fara1.5-27B dostiže preko 90% performansi state-of-the-art frontier modela na tom benchmarku, što je gotovo dvostruko bolji rezultat od prethodne generacije Fara-7B.

Koja je uloga MagenticLite i MagenticBrain u sustavu?

MagenticLite je klijent — aplikacija koja agentu daje pristup browseru i filesystemu. To je pojednostavljena verzija šireg Magentic frameworka koji Microsoft Research razvija nekoliko godina, ali fokusirana na pokretanje malih modela bez teške orkestracijske infrastrukture.

MagenticBrain je 14B model koji djeluje kao orchestration sloj — odlučuje koji sub-agent treba pozvati, kako razdijeliti složeni zadatak na podzadatke, i kako koordinirati više agenata kroz fazu izvršavanja. Fine-tuned je iz Qwen 3 14B, što potvrđuje Microsoftov pragmatičan pristup — koristi najboljeg dostupnog open-source bazi i nadograđuje ga zadatkom-specifičnom obukom umjesto treniranja iz nule.

Zašto male modele za agentic AI?

Ekonomski argument je očit — agentic workflowovi mogu generirati 10× više inference zahtjeva od običnog chat use case-a. Pokretanje takvih workflowova na frontier modelima brzo postaje ekonomski neisplativo. Mali modeli s dobrom orkestracijom mogu dati 90% rezultata uz mnogo manji trošak.

Drugi argument je arhitektonski — small models mogu se pokretati on-device, što otključava use case-ove koji zahtijevaju privatnost (zdravstvo, financije) ili low-latency interakciju. Microsoft eksplicitno cilja edge deployment za Fara1.5-4B.

Kako se Fara1.5 uklapa u širi trend?

Microsoft Research time se pridružuje rastućem trendu (Apple Intelligence, Google Gemini Nano, Anthropic Haiku 4.5) koji argumentira da je inferencijska ekonomija jednako važna kao i benchmark performanse. Razlika je u tome što Microsoft dijeli i model i orchestration framework — open-sourcing MagenticBrain bi dao istraživačkoj zajednici prvu pravu referentnu implementaciju koodesigniranog agent-model sustava.

Za enterprise korisnike, ovo je jasan signal — agentic AI je sada moguć bez ovisnosti o vanjskim API-jevima poput OpenAI ili Anthropic. Microsoft je sve više fokusiran na vertikalnu integraciju (vlastiti modeli, vlastiti orchestration, vlastiti UI) što mu daje strateški poluga prema vlastitim partnerima u Azure ekosustavu.