Microsoft Research：MagenticLite + Fara1.5（4B/9B/27B）— 小型モデル向けに最適化したエージェントAIがSOTAを達成

Microsoft Researchは2026年5月21日、エージェントAIのためのトリプルパッケージを発表した。自律エージェントを備えたコンピュータシステムがGPT-5やClaude Opusサイズのフロンティアモデルに依存する必要はないことを具体的に論証するものだ。同時発表されたのはMagenticLite（ブラウザとファイルシステムのUIアプリ）、MagenticBrain（Qwen 3 14BからファインチューニングされたオーケストレーションモデルFara1.5（コンピュータ使用モデル、3サイズ：4B、9B、27B）だ。

Fara1.5モデルが競合と異なる点は何か？

Fara1.5はコンピュータ使用タスク向けに設計されている — ブラウザをナビゲートし、フォームに入力し、リンクをクリックし、ページを読み、UI要素を解釈するエージェントだ。Microsoftは3つのサイズを提供している — エッジおよびモバイルのユースケース向けに4B、バランスの取れた推論コストに9B、最大性能に27B。3つのサイズすべてが同じアーキテクチャ原則に基づいている。ツールとハーネスレイヤーとの協調設計で、巨大なパラメータ数の必要性を排除する。

重要なメトリクスはOnline-Mind2Webベンチマーク — マルチステップブラウジング、情報収集、実際のサイトとのインタラクションを含む300の実際のウェブタスクのセット。Fara1.5-27BはそのベンチマークでSOTAのフロンティアモデルの90%超の性能を達成し、これは前世代のFara-7Bのほぼ2倍の結果だ。

MagenticLiteとMagenticBrainのシステムにおける役割は？

MagenticLiteはクライアントだ — エージェントにブラウザとファイルシステムへのアクセスを提供するアプリケーション。Microsoft Researchが数年かけて開発している広範なMagenticフレームワークの簡略版で、重い編成インフラなしで小型モデルを実行することに焦点を当てている。

MagenticBrainはオーケストレーションレイヤーとして機能する14Bモデルだ — どのサブエージェントを呼び出すか、複雑なタスクをサブタスクにどう分割するか、実行フェーズを通じて複数のエージェントをどう調整するかを決定する。Qwen 3 14Bからファインチューニングされており、Microsoftの実用的なアプローチを裏付けている — 最高の利用可能なオープンソースベースを使い、ゼロからトレーニングする代わりにタスク特化のトレーニングで増強する。

なぜエージェントAIに小型モデルなのか？

経済的な論拠は明白だ — エージェントワークフローは通常のチャットユースケースの10倍のの推論リクエストを生成できる。こうしたワークフローをフロンティアモデルで実行すると、すぐに経済的に割に合わなくなる。適切なオーケストレーションを備えた小型モデルははるかに低いコストで90%の結果を出せる。

もう一つの論拠はアーキテクチャ面だ — 小型モデルはデバイス上で実行できる。これによりプライバシーを要求する（医療、金融）またはローレイテンシのインタラクションを必要とするユースケースが解放される。MicrosoftはFara1.5-4Bのエッジデプロイメントを明示的に目標としている。

Fara1.5はより広いトレンドにどうはまるか？

Microsoft Researchチームは推論の経済性がベンチマーク性能と同様に重要であると論じる成長するトレンド（Apple Intelligence、Google Gemini Nano、Anthropic Haiku 4.5）に加わっている。違いはMicrosoftがモデルとオーケストレーションフレームワークの両方を共有していることだ — MagenticBrainのオープンソース化は研究コミュニティに協調設計されたエージェント-モデルシステムの最初の真の参照実装を提供することになる。

企業ユーザーにとって、これは明確なシグナルだ — エージェントAIはOpenAIやAnthropicのような外部APIへの依存なしに実現可能だ。Microsoftは垂直統合（自前のモデル、自前のオーケストレーション、自前のUI）にますます焦点を当てており、これにより自社のAzureエコシステム内でパートナーに対する戦略的な優位性を持つ。