마이크로소프트, 소형 모델 기반 에이전트 MagenticLite 공개

주장마이크로소프트 리서치는 에이전트의 성능이 모델의 지식 규모보다 도구의 오케스트레이션과 실행 능력에 좌우된다고 분석합니다. 이러한 설계 철학은 거대 모델 없이도 소형 모델을 활용해 저비용으로 고성능 에이전트 작업을 수행하도록 지원합니다.

팩트MagenticLite는 브라우저와 로컬 파일 시스템을 단일 워크플로우로 통합하여 작동하는 에이전트 애플리케이션입니다. 이 시스템은 사용자의 기기 내에서 데이터를 직접 처리하며 하드웨어 자원을 효율적으로 활용합니다.

팩트MagenticBrain은 140억 개의 파라미터를 가진 오케스트레이션 모델로 계획 수립과 코드 작성 및 작업 위임을 담당합니다. 이 모델은 큐웬(Qwen) 3 14B를 기반으로 미세 조정되었으며 실제 실행 환경과 동일한 도구 스키마를 학습했습니다.

팩트파라(Fara) 1.5는 웹 브라우저 작업을 수행하는 컴퓨터 사용 모델 제품군으로 4B, 9B, 27B 세 가지 크기로 출시되었습니다. 이 중 9B 모델이 주력 모델이며 이전 버전인 파라-7B 대비 웹 탐색 성능이 약 두 배 향상되었습니다.

팩트파라 1.5는 온라인-마인드투웹(Online-Mind2Web) 벤치마크에서 동급 모델 중 최고 수준의 성능을 기록했습니다. 특히 27B 모델은 해당 벤치마크에서 90% 이상의 성능을 달성하며 소형 모델의 한계를 극복했습니다.

교차검증표준 벤치마크는 에이전트의 성능을 일부 보여주지만 실제 사용자의 복잡한 요구사항을 모두 반영하지는 못한다는 한계가 있습니다. 마이크로소프트는 이를 보완하기 위해 실제 시나리오 기반의 평가 데이터셋을 구축하여 모델을 개선했습니다.

팩트파라 1.5는 폼 작성, 로그인 처리, 장기 실행 작업 등 실제 업무 환경에서의 성능을 강화했습니다. 이를 위해 실제 웹사이트뿐만 아니라 로그인이나 비가역적 작업을 시뮬레이션한 합성 환경에서도 학습을 진행했습니다.

주장에이전트의 신뢰성을 확보하려면 사용자의 직접적인 통제와 승인 과정이 필수적입니다. MagenticLite는 에이전트의 추론 과정과 행동을 사용자에게 투명하게 공개하고 중요한 시점에 명시적인 승인을 받도록 설계되었습니다.

팩트파라 1.5는 클릭과 키보드 입력 외에도 수백 단계에 걸친 작업 정보를 컨텍스트에 저장하는 기능을 갖추고 있습니다. 이를 통해 장시간 소요되는 작업에서도 일관성을 유지하며 필요시 사용자에게 우선순위를 묻는 방식으로 작동합니다.

교차검증과거 모델인 파라-7B는 거래나 로그인 같은 중요 지점을 감지하는 데 초점을 맞췄으나 때로는 유용한 작업을 방해하는 문제가 있었습니다. 파라 1.5는 실제 사용 경험을 바탕으로 안전 트리거를 재조정하여 유용성과 안전성 사이의 균형을 맞췄습니다.

출처마이크로소프트 리서치 공식 블로그를 통해 해당 기술의 세부 사항을 교차 검증했습니다.