MagenticLite, MagenticBrain e Fara1.5: Avanços em Agentes Inteligentes Otimizados para Modelos Pequenos

Desafio e inovação na inteligência artificial de pequeno porte

A Microsoft Research apresentou recentemente uma nova abordagem para sistemas agentes baseados em modelos de linguagem pequenos com o lançamento do MagenticLite, acompanhado dos modelos MagenticBrain e Fara1.5. O projeto visa explorar até onde é possível levar a performance de agentes inteligentes utilizando modelos compactos, com foco em eficiência, segurança e execução local.

O que é MagenticLite e seus componentes

MagenticLite é uma aplicação agentic experimental que integra tarefas realizadas tanto no navegador quanto no sistema local do usuário em um fluxo único. É a evolução do Magentic-UI, com uma interface redesenhada e um "harness" (ambiente de execução) otimizado para modelos pequenos.

Essa solução é suportada por dois modelos específicos:

MagenticBrain: um modelo orquestrador de 14 bilhões de parâmetros que atua como planejador, codificador e delegado. Ele transforma pedidos vagos em planos concretos, seleciona ferramentas ou subagentes para cada etapa, escreve código quando necessário e gerencia recuperações em tarefas complexas.
Fara1.5: uma família de modelos de uso computacional focados em tarefas no navegador, disponível em três tamanhos (4B, 9B e 27B parâmetros), com o modelo de 9B sendo a referência para a maioria dos casos. Fara1.5 apresenta melhorias significativas em relação à geração anterior (Fara-7B), com destaque para navegação web, preenchimento de formulários, manipulação de sites com login e tarefas longas.

Metodologia e arquitetura do sistema

O projeto parte da hipótese de que a capacidade agentic depende mais da orquestração e uso de ferramentas do que do conhecimento isolado do modelo. Assim, foi necessário redesenhar todo o ciclo: desde a geração de dados, objetivos de treinamento, design dos modelos, até a orquestração e a experiência do usuário.

O harness do MagenticLite incorpora três princípios fundamentais:

Planejamento incremental: o sistema elabora planos passo a passo, permitindo flexibilidade, correções e recuperações suaves ao longo de tarefas longas.
Gestão ativa de contexto: considerando a limitação das janelas de contexto dos modelos pequenos, o sistema filtra e resume informações relevantes para manter o desempenho durante as interações prolongadas.
Delegação por subagentes: o modelo orquestrador delega tarefas especializadas para subagentes, como o Fara1.5 para ações no navegador, aproveitando as fortalezas de cada modelo e preparando o terreno para futuras expansões com múltiplos subagentes em paralelo.

Resultados e avanços técnicos

Na avaliação com o benchmark Online-Mind2Web, que contém 300 tarefas em domínios web variados, o Fara1.5-9B alcançou desempenho de estado da arte entre modelos do seu porte, superando em quase o dobro o Fara-7B. A variante maior, Fara1.5-27B, atingiu mais de 90% de desempenho nesse benchmark.

Além do desempenho técnico, o Fara1.5 traz melhorias práticas como:

Melhor navegação em sites com formulários e credenciais;
Capacidade nativa para armazenar informações-chave no contexto durante centenas de passos;
Reconhecimento e pausa para intervenção do usuário em pontos críticos, como transações ou submissões irreversíveis.

O MagenticBrain, por sua vez, foi treinado em ambiente realista, com a mesma infraestrutura utilizada na inferência, eliminando discrepâncias entre treinamento e execução. Ele combina raciocínio, codificação e delegação em um único modelo compacto, demonstrando que orquestração sofisticada pode ser feita sem recorrer a modelos gigantescos.

Experiência do usuário e segurança

A interface do MagenticLite foi aprimorada com base em estudos recentes para facilitar a compreensão das ações do agente e permitir intervenções rápidas e diretas pelo usuário. O sistema mantém o usuário no controle, exigindo aprovações explícitas em momentos sensíveis.

Todo o ambiente roda dentro do Quicksand, um wrapper open source que cria uma sandbox baseada em QEMU para isolar sessões de navegador e execução de código, garantindo segurança e integridade do sistema hospedeiro.

Implicações e futuro da IA agentic local

Essa iniciativa da Microsoft Research aponta para um futuro em que agentes inteligentes capazes e confiáveis podem ser executados diretamente no hardware do usuário, preservando dados locais e reduzindo custos computacionais. O foco na orquestração e especialização dos modelos permite que soluções pequenas e eficientes atendam a uma ampla gama de tarefas complexas.

O projeto está aberto para a comunidade, com códigos e modelos disponíveis para experimentação e aprimoramento contínuo.