$700 મિલિયનના Series A ફંડિંગ સાથે સમર્થિત એક હાઈ-ગ્રોથ સ્ટાર્ટઅપ, Hark એ સત્તાવાર રીતે "Handoff" નું પ્રિવ્યૂ રજૂ કર્યું છે, જે એક એવું ઇન્ટેલિજન્ટ એજન્ટ છે જે માણસની જેમ જ વેબ નેવિગેટ કરવા માટે ડિઝાઇન કરવામાં આવ્યું છે. માત્ર ટેક્સ્ટ જનરેશનથી આગળ વધીને, Handoff એવા વેબસાઇટ્સ પર જટિલ વર્કફ્લોને ઓટોમેટ કરવાનું લક્ષ્ય રાખે છે જે સત્તાવાર API સપોર્ટ ધરાવતી નથી.

APIs વગર વેબ નેવિગેટ કરવું

ઓટોમેશનમાં સૌથી મોટી અવરોધક બાબતોમાંની એક સ્ટ્રક્ચર્ડ APIs પરની નિર્ભરતા છે. Hark નું Handoff એજન્ટ ઇન્ટરફેસ સાથે વાતચીત કરવા માટે વેબસાઇટના મૂળભૂત માળખા અને વિઝ્યુઅલ ડેટા બંનેનું વિશ્લેષણ કરીને આ મર્યાદાને દૂર કરે છે. આનાથી એજન્ટ Target, Walmart, OpenTable અને LinkedIn જેવા હાઈ-ટ્રાફિક ધરાવતા, નોન-API પ્લેટફોર્મ્સ પર સરળતાથી નેવિગેટ કરી શકે છે.

આ એજન્ટ ક્યારે બટન પર ક્લિક કરવું, સ્ક્રોલ કરવું અથવા ટેક્સ્ટ ઇનપુટ કરવું તે નક્કી કરવા માટે વિઝ્યુઅલ ક્યુઝ (visual cues) ને સમજીને કાર્ય કરે છે. તાજેતરના એક ડેમોન્સ્ટ્રેશનમાં, CEO Brett Adcock એ એજન્ટની જટિલ, "ફઝી" (fuzzy) લોજિક હેન્ડલ કરવાની ક્ષમતા દર્શાવી હતી—જેમ કે કસ્ટમ ફૂલોનો બુકે બનાવવો જ્યાં વપરાશકર્તા "ફ્લોરિસ્ટની પસંદગી મુજબ થોડા ફૂલો" નો નિર્દેશ કરે છે. આ ક્ષમતા એક એવા સેમેન્ટિક અન્ડરસ્ટેન્ડિંગ (semantic understanding) તરફ નિર્દેશ કરે છે જે માત્ર કડક કમાન્ડ એક્ઝિક્યુશનથી આગળ છે, જે વધુ કુદરતી માનવ-થી-એજન્ટ ઇન્ટરેક્શનની મંજૂરી આપે છે.

Next-Token થી Next-Action Prediction તરફનું પરિવર્તન

ટેકનિકલી, Hark સ્ટાન્ડર્ડ Large Language Model (LLM) પેરાડાઇમથી દૂર જઈ રહ્યું છે. જ્યારે પરંપરાગત LLMs ટેક્સ્ટના ક્રમમાં આગામી ટોકનનું અનુમાન લગાવવા માટે ઓપ્ટિમાઇઝ કરવામાં આવે છે, ત્યારે Hark નું મોડેલ "next action" (આગામી ક્રિયા) નું અનુમાન લગાવવા માટે આર્કિટેક્ટ કરવામાં આવ્યું છે. આનો અર્થ એ છે કે મોડેલ ખાસ કરીને આગામી ભૌતિક અથવા ડિજિટલ ઇન્ટરેક્શનની ગણતરી કરે છે, જેમ કે ચોક્કસ કીબોર્ડ ઇનપુટ અથવા સ્ક્રીન પર ચોક્કસ કોઓર્ડિનેટ પર માઉસ ક્લિક.

ડેવલપમેન્ટને ઝડપી બનાવવા માટે, Hark હાલમાં પોસ્ટ-ટ્રેઇન્ડ મોડેલનો ઉપયોગ કરી રહ્યું છે. આ વ્યૂહરચના કંપનીને આ વર્ષના અંતમાં નિર્ધારિત સંપૂર્ણ પ્રી-ટ્રેનિંગ ફેઝમાં જતાં પહેલાં તેના ટ્રેનિંગ ઇન્ફ્રાસ્ટ્રક્ચર, ડેટા પાઇપલાઇન્સ અને વિશિષ્ટ તકનીકોને ઝડપથી સુધારવાની મંજૂરી આપે છે. આ ઇટરેટિવ અભિગમ એજન્ટને ઝડપ અને ખર્ચ-કાર્યક્ષમતા માટે ઓપ્ટિમાઇઝ કરવા માટે ડિઝાઇન કરવામાં આવ્યો છે.

Computer-Use એજન્ટ્સનું સ્પર્ધાત્મક લેન્ડસ્કેપ

Hark એક ભીડભાડવાળા અને અત્યંત સ્પર્ધાત્મક ક્ષેત્રમાં પ્રવેશ કરી રહ્યું છે. "computer-use" માં પ્રભુત્વ મેળવવાની આ રેસમાં Google, OpenAI અને Anthropic જેવા ટેક જાયન્ટ્સની સાથે Browser Use, Polar, Strawberry અને Aside જેવા વિશિષ્ટ VC-ફંડિત સ્ટાર્ટઅપ્સનો પણ સમાવેશ થાય છે.

Hark એ GPT 5.5 અથવા Opus 4.8 જેવા હેવીવેઇટ મોડેલ્સની તુલનામાં શ્રેષ્ઠ ઝડપ અને નોંધપાત્ર રીતે ઓછી ઓપરેશનલ ખર્ચનો દાવો કરીને પોતાને એક ડિસરપ્ટિવ (disruptive) વિકલ્પ તરીકે સ્થાપિત કરી રહ્યું છે. જનરલ-પર્પઝ ટેક્સ્ટ મોડેલને બદલે વિશિષ્ટ એક્શન-ઓરિએન્ટેડ આર્કિટેક્ચર પર ધ્યાન કેન્દ્રિત કરીને, Hark હાઈ-ફ્રીક્વન્સી, લો-કોસ્ટ બ્રાઉઝર ઓટોમેશનના બજાર પર કબજો કરવાનો પ્રયાસ કરે છે.

કંપનીએ તેના પ્લેટફોર્મ માટે વેઇટલિસ્ટ ખોલી છે અને ઉનાળાના અંત સુધીમાં સંપૂર્ણ સેવા લોન્ચ કરવાનો ઇરાદો ધરાવે છે. ડેવલપર્સ અને ફાઉન્ડર્સ માટે, Handoff ની સફળતા માત્ર વાતચીત કરતાં કાર્ય પૂર્ણ કરવાને પ્રાધાન્ય આપતા "Action Models" તરફના પરિવર્તનની સંકેત આપી શકે છે.

મુખ્ય મુદ્દાઓ

  • એક્શન-ઓરિએન્ટેડ આર્કિટેક્ચર: ટેક્સ્ટ ટોકન્સનું અનુમાન લગાવતા સ્ટાન્ડર્ડ LLMsથી વિપરીત, Hark નું મોડેલ ક્લિક્સ અને કીસ્ટ્રોક્સ જેવી ચોક્કસ યુઝર એક્શન્સનું અનુમાન લગાવે છે.
  • API-રહિત ઓટોમેશન: Handoff એજન્ટ Walmart અને LinkedIn જેવી વેબસાઇટ્સ પર નેવિગેટ કરવા માટે વિઝ્યુઅલ અને સ્ટ્રક્ચરલ ડેટાનો ઉપયોગ કરે છે જે સત્તાવાર API ઓફર કરતી નથી.
  • ખર્ચ અને ઝડપ પર ધ્યાન: Hark નો લક્ષ્ય GPT 5.5 જેવા મુખ્ય મોડેલ્સની કિંમત અને લેટન્સી (latency) ને ઓછી કરવાનો છે, જે કાર્યક્ષમ, મોટા પાયે બ્રાઉઝર ટાસ્ક ઓટોમેશનને લક્ષ્ય બનાવે છે.

શું જોવા જેવું છે

  • લોન્ચ ટાઈમલાઈન – Hark એ વેઇટલિસ્ટ ખોલી છે અને ઉનાળાના અંત સુધીમાં સંપૂર્ણ રિલીઝનું આયોજન કર્યું છે.
  • મોડેલ ઉત્ક્રાંતિ – Hark પોસ્ટ-ટ્રેઇન્ડ મોડેલથી આ વર્ષના અંતમાં નિર્ધારિત સંપૂર્ણ પ્રી-ટ્રેનિંગ ફેઝ તરફ આગળ વધી રહ્યું છે.