$700 मिलियनच्या Series A फंडिंगने समर्थित एक हाय-ग्रोथ स्टार्टअप, Hark ने अधिकृतपणे "Handoff" चे पूर्वावलोकन सादर केले आहे. हा एक इंटेलिजेंट एजंट आहे जो मानवाप्रमाणेच वेबवर नेव्हिगेट करण्यासाठी डिझाइन केला आहे. केवळ मजकूर निर्मितीच्या पलीकडे जाऊन, Handoff चे उद्दिष्ट अशा वेबसाइट्सवर जटिल वर्कफ्लो स्वयंचलित करणे आहे ज्यांना अधिकृत API सपोर्ट नाही.

API शिवाय वेबवर नेव्हिगेट करणे

ऑटोमेशनमधील सर्वात मोठ्या अडथळ्यांपैकी एक म्हणजे स्ट्रक्चर्ड APIs वर अवलंबून राहणे. Hark चा Handoff एजंट वेबसाइटची मूळ रचना आणि व्हिज्युअल डेटा या दोन्हीचे विश्लेषण करून इंटरफेससोबत संवाद साधतो आणि ही मर्यादा ओलांडतो. यामुळे हा एजंट Target, Walmart, OpenTable आणि LinkedIn सारख्या हाय-ट्रॅफिक, नॉन-API प्लॅटफॉर्मवर सहजपणे नेव्हिगेट करू शकतो.

बटणे क्लिक करणे, स्क्रोल करणे किंवा मजकूर टाइप करणे कधी करायचे हे ठरवण्यासाठी हा एजंट व्हिज्युअल संकेत (visual cues) समजून घेऊन काम करतो. एका अलीकडील प्रात्यक्षिकात, CEO Brett Adcock यांनी एजंटची जटिल, "fuzzy" लॉजिक हाताळण्याची क्षमता दाखवली—जसे की कस्टम फुलांचा बुके तयार करणे, जिथे वापरकर्ता "फ्लोरिस्टच्या आवडीनुसार काही फुले" असे नमूद करतो. ही क्षमता केवळ कडक कमांड्सच्या अंमलबजावणीच्या पलीकडे जाऊन अर्थपूर्ण समज (semantic understanding) दर्शवते, ज्यामुळे मानवी आणि एजंटमधील संवाद अधिक नैसर्गिक होतो.

Next-Token कडून Next-Action Prediction कडे बदल

तांत्रिकदृष्ट्या, Hark हे मानक Large Language Model (LLM) पॅराडाइमपासून दूर जात आहे. पारंपारिक LLMs मजकुराच्या क्रमामधील पुढील 'token'चा अंदाज लावण्यासाठी ऑप्टिमाइझ केलेले असतात, तर Hark चे मॉडेल "next action" (पुढची कृती) ओळखण्यासाठी तयार केले आहे. याचा अर्थ असा की हे मॉडेल विशेषतः पुढील भौतिक किंवा डिजिटल संवाद मोजते, जसे की विशिष्ट कीबोर्ड इनपुट किंवा स्क्रीनवरील एका अचूक कोऑर्डिनेटने माऊस क्लिक करणे.

विकास वेगवान करण्यासाठी, Hark सध्या post-trained मॉडेलचा वापर करत आहे. या रणनीतीमुळे कंपनीला या वर्षाच्या उत्तरार्धात नियोजित पूर्ण pre-training टप्प्याकडे वळण्यापूर्वी त्यांचे ट्रेनिंग इन्फ्रास्ट्रक्चर, डेटा पाइपलाइन्स आणि विशेष तंत्रे वेगाने सुधारण्यास मदत होते. हा पुनरावृत्तीचा (iterative) दृष्टिकोन एजंटला वेग आणि खर्च-कार्यक्षमतेसाठी ऑप्टिमाइझ करण्यासाठी डिझाइन केला आहे.

Computer-Use एजंट्सचे स्पर्धात्मक स्वरूप

Hark एका गर्दीच्या आणि अत्यंत स्पर्धात्मक क्षेत्रात प्रवेश करत आहे. "computer-use" वर्चस्वाच्या शर्यतीत Google, OpenAI आणि Anthropic सारख्या टेक दिग्गज कंपन्यांसोबतच Browser Use, Polar, Strawberry आणि Aside सारख्या विशेष VC-funded स्टार्टअप्सचा समावेश आहे.

GPT 5.5 किंवा Opus 4.8 सारख्या जड मॉडेल्सच्या तुलनेत उत्कृष्ट वेग आणि लक्षणीयरीत्या कमी ऑपरेशनल खर्च असल्याचा दावा करून Hark स्वतःला एक क्रांतिकारी पर्याय म्हणून सादर करत आहे. सामान्य उद्देशाच्या टेक्स्ट मॉडेलऐवजी विशेष action-oriented आर्किटेक्चरवर लक्ष केंद्रित करून, Hark हाय-फ्रिक्वेन्सी, कमी खर्चाच्या ब्राउझर ऑटोमेशनसाठी बाजारपेठ काबीज करण्याचा प्रयत्न करत आहे.

कंपनीने आपल्या प्लॅटफॉर्मसाठी वेटलिस्ट खुली केली आहे आणि उन्हाळा संपण्यापूर्वी पूर्ण सेवा सुरू करण्याचा त्यांचा मानस आहे. डेव्हलपर्स आणि संस्थापकांसाठी, Handoff चे यश केवळ संवादापेक्षा कार्य पूर्ण करण्याला प्राधान्य देणाऱ्या "Action Models" कडे होणाऱ्या बदलाचे संकेत देऊ शकते.

मुख्य मुद्दे

  • Action-Oriented Architecture: मजकूर टोकन्सचा अंदाज घेणाऱ्या मानक LLMs च्या उलट, Hark चे मॉडेल क्लिक्स आणि कीस्ट्रोक्स सारख्या विशिष्ट वापरकर्त्याच्या कृतींचा अंदाज घेते.
  • API-Less Automation: Handoff एजंट Walmart आणि LinkedIn सारख्या वेबसाइट्सवर नेव्हिगेट करण्यासाठी व्हिज्युअल आणि स्ट्रक्चरल डेटा वापरतो, ज्या अधिकृत API प्रदान करत नाहीत.
  • Cost and Speed Focus: Hark चे उद्दिष्ट GPT 5.5 सारख्या प्रमुख मॉडेल्सची किंमत आणि लॅटन्सी (latency) कमी करणे हे आहे, जेणेकरून कार्यक्षम, मोठ्या प्रमाणावरील ब्राउझर टास्क ऑटोमेशन साध्य करता येईल.

काय लक्ष ठेवायचे

  • Launch timeline – Hark ने वेटलिस्ट खुली केली आहे आणि उन्हाळा संपण्यापूर्वी पूर्ण रिलीजचे नियोजन केले आहे.
  • Model evolution – Hark post-trained मॉडेलकडून या वर्षाच्या उत्तरार्धात नियोजित पूर्ण pre-training टप्प्याकडे वळत आहे.