Hark, ਜੋ ਕਿ $700 ਮਿਲੀਅਨ ਦੀ Series A ਫੰਡਿੰਗ ਨਾਲ ਸਮਰਥਿਤ ਇੱਕ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੀ ਸਟਾਰਟਅੱਪ ਹੈ, ਨੇ ਅਧਿਕਾਰਤ ਤੌਰ 'ਤੇ "Handoff" ਦਾ ਪ੍ਰੀਵਿਊ ਕੀਤਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਅਜਿਹਾ ਇੰਟੈਲੀਜੈਂਟ ਏਜੰਟ ਹੈ ਜਿਸ ਨੂੰ ਇਨਸਾਨਾਂ ਵਾਂਗ ਵੈੱਬ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਸਿਰਫ਼ ਟੈਕਸਟ ਜਨਰੇਸ਼ਨ ਤੋਂ ਅੱਗੇ ਵਧਦੇ ਹੋਏ, Handoff ਦਾ ਉਦੇਸ਼ ਉਹਨਾਂ ਵੈੱਬਸਾਈਟਾਂ 'ਤੇ ਗੁੰਝਲਦਾਰ ਵਰਕਫਲੋਜ਼ (workflows) ਨੂੰ ਆਟੋਮੇਟ ਕਰਨਾ ਹੈ ਜਿਨ੍ਹਾਂ ਕੋਲ ਅਧਿਕਾਰਤ API ਸਪੋਰਟ ਨਹੀਂ ਹੈ।

APIs ਤੋਂ ਬਿਨਾਂ ਵੈੱਬ ਦੀ ਵਰਤੋਂ ਕਰਨਾ

ਆਟੋਮੇਸ਼ਨ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡੀਆਂ ਰੁਕਾਵਟਾਂ ਵਿੱਚੋਂ ਇੱਕ ਸੰਰਚਿਤ (structured) APIs 'ਤੇ ਨਿਰਭਰਤਾ ਹੈ। Hark ਦਾ Handoff ਏਜੰਟ ਇੰਟਰਫੇਸ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਲਈ ਵੈੱਬਸਾਈਟ ਦੀ ਅੰਦਰੂਨੀ ਬਣਤਰ ਅਤੇ ਵਿਜ਼ੂਅਲ ਡੇਟਾ ਦੋਵਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ ਇਸ ਸੀਮਾ ਨੂੰ ਪਾਰ ਕਰਦਾ ਹੈ। ਇਹ ਏਜੰਟ ਨੂੰ Target, Walmart, OpenTable, ਅਤੇ LinkedIn ਵਰਗੇ ਉੱਚ-ਟ੍ਰੈਫਿਕ ਵਾਲੇ, non-API ਪਲੇਟਫਾਰਮਾਂ 'ਤੇ ਬਿਨਾਂ ਕਿਸੇ ਰੁਕਾਵਟ ਦੇ ਕੰਮ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।

ਇਹ ਏਜੰਟ ਬਟਨਾਂ 'ਤੇ ਕਲਿੱਕ ਕਰਨ, ਸਕ੍ਰੋਲ ਕਰਨ ਜਾਂ ਟੈਕਸਟ ਇਨਪੁਟ ਕਰਨ ਦੇ ਸਮੇਂ ਦਾ ਫੈਸਲਾ ਕਰਨ ਲਈ ਵਿਜ਼ੂਅਲ ਸੰਕੇਤਾਂ ਨੂੰ ਸਮਝ ਕੇ ਕੰਮ ਕਰਦਾ ਹੈ। ਇੱਕ ਹਾਲੀਆ ਡੈਮੋਂਸਟ੍ਰੇਸ਼ਨ ਵਿੱਚ, CEO Brett Adcock ਨੇ ਏਜੰਟ ਦੀ ਗੁੰਝਲਦਾਰ, "fuzzy" ਲੌਜਿਕ ਨੂੰ ਸੰਭਾਲਣ ਦੀ ਯੋਗਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ—ਜਿਵੇਂ ਕਿ ਇੱਕ ਕਸਟਮ ਫੁੱਲਾਂ ਦਾ ਗੁਲਦਸਤਾ ਬਣਾਉਣਾ ਜਿੱਥੇ ਉਪਭੋਗਤਾ "ਫਲੋਰਿਸਟ ਦੀ ਪਸੰਦ ਦੇ ਕੁਝ ਫੁੱਲ" ਦੱਸਦਾ ਹੈ। ਇਹ ਯੋਗਤਾ ਅਰਥਾਂ ਦੀ ਅਜਿਹੀ ਸਮਝ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦੀ ਹੈ ਜੋ ਸਿਰਫ਼ ਸਖ਼ਤ ਕਮਾਂਡਾਂ ਦੇ ਪਾਲਣ ਤੋਂ ਕਿਤੇ ਅੱਗੇ ਹੈ, ਜਿਸ ਨਾਲ ਇਨਸਾਨ ਅਤੇ ਏਜੰਟ ਵਿਚਕਾਰ ਵਧੇਰੇ ਕੁਦਰਤੀ ਤਰੀਕੇ ਨਾਲ ਗੱਲਬਾਤ ਸੰਭਵ ਹੋ ਸਕਦੀ ਹੈ।

Next-Token ਤੋਂ Next-Action Prediction ਵੱਲ ਇੱਕ ਤਬਦੀਲੀ

ਤਕਨੀਕੀ ਤੌਰ 'ਤੇ, Hark ਮਿਆਰੀ Large Language Model (LLM) ਪੈਰਾਡਾਈਮ ਤੋਂ ਦੂਰ ਹੋ ਰਿਹਾ ਹੈ। ਜਦੋਂ ਕਿ ਰਵਾਇਤੀ LLMs ਟੈਕਸਟ ਦੇ ਇੱਕ ਲੜੀ ਵਿੱਚ ਅਗਲੇ ਟੋਕਨ (token) ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਅਨੁਕੂਲਿਤ ਹੁੰਦੇ ਹਨ, Hark ਦਾ ਮਾਡਲ "next action" ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਮਾਡਲ ਖਾਸ ਤੌਰ 'ਤੇ ਅਗਲੀ ਭੌਤਿਕ ਜਾਂ ਡਿਜੀਟਲ ਗਤੀਵਿਧੀ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਕੀਬੋਰਡ ਦਾ ਇੱਕ ਖਾਸ ਇਨਪੁਟ ਜਾਂ ਸਕ੍ਰੀਨ 'ਤੇ ਇੱਕ ਸਹੀ ਕੋਆਰਡੀਨੇਟ 'ਤੇ ਮਾਊਸ ਕਲਿੱਕ।

ਵਿਕਾਸ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਲਈ, Hark ਇਸ ਸਮੇਂ ਇੱਕ post-trained ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰ ਰਿਹਾ ਹੈ। ਇਹ ਰਣਨੀਤੀ ਕੰਪਨੀ ਨੂੰ ਇਸ ਸਾਲ ਦੇ ਅੰਤ ਵਿੱਚ ਸ਼ੁਰੂ ਹੋਣ ਵਾਲੇ ਪੂਰੇ pre-training ਪੜਾਅ ਵੱਲ ਵਧਣ ਤੋਂ ਪਹਿਲਾਂ ਆਪਣੇ ਟ੍ਰੇਨਿੰਗ ਇਨਫਰਾਸਟ੍ਰਕਚਰ, ਡੇਟਾ ਪਾਈਪਲਾਈਨਾਂ ਅਤੇ ਵਿਸ਼ੇਸ਼ ਤਕਨੀਕਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਸੁਧਾਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀ ਹੈ। ਇਹ ਇਟਰੇਟਿਵ ਪਹੁੰਚ ਏਜੰਟ ਨੂੰ ਰਫਤਾਰ ਅਤੇ ਲਾਗਤ-ਕੁਸ਼ਲਤਾ ਲਈ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੈ।

Computer-Use Agents ਦਾ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਵਾਲਾ ਖੇਤਰ

Hark ਇੱਕ ਭੜਕੀਏ ਅਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਵਾਲੇ ਖੇਤਰ ਵਿੱਚ ਪ੍ਰਵੇਸ਼ ਕਰ ਰਿਹਾ ਹੈ। "computer-use" ਵਿੱਚ ਪ੍ਰਭੂਸੱਤਾ ਦੀ ਦੌੜ ਵਿੱਚ Google, OpenAI, ਅਤੇ Anthropic ਵਰਗੇ ਤਕਨੀਕੀ ਦਿੱਗਜਾਂ ਦੇ ਨਾਲ-ਨਾਲ Browser Use, Polar, Strawberry, ਅਤੇ Aside ਵਰਗੇ ਵਿਸ਼ੇਸ਼ VC-ਫੰਡਡ ਸਟਾਰਟਅੱਪ ਵੀ ਸ਼ਾਮਲ ਹਨ।

Hark ਆਪਣੇ ਆਪ ਨੂੰ GPT 5.5 ਜਾਂ Opus 4.8 ਵਰਗੇ ਭਾਰੀ ਮਾਡਲਾਂ ਦੇ ਮੁਕਾਬਲੇ ਸ਼ਾਨਦਾਰ ਰਫਤਾਰ ਅਤੇ ਕਾਫ਼ੀ ਘੱਟ ਕਾਰਜਸ਼ੀਲਤਾ ਲਾਗਤ ਦਾ ਦਾਅਵਾ ਕਰਕੇ ਇੱਕ ਨਵੇਂ ਵਿਕਲਪ ਵਜੋਂ ਪੇਸ਼ ਕਰ ਰਿਹਾ ਹੈ। ਇੱਕ ਆਮ-ਮੰਨਿਆ ਟੈਕਸਟ ਮਾਡਲ ਦੀ ਬਜਾਏ ਇੱਕ ਵਿਸ਼ੇਸ਼ action-oriented ਆਰਕੀਟੈਕਚਰ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਕੇ, Hark ਉੱਚ-ਫ੍ਰੀਕੁਐਂਸੀ, ਘੱਟ-ਲਾਗਤ ਵਾਲੇ ਬ੍ਰਾਊਜ਼ਰ ਆਟੋਮੇਸ਼ਨ ਦੇ ਬਾਜ਼ਾਰ 'ਤੇ ਕਬਜ਼ਾ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹੈ।

ਕੰਪਨੀ ਨੇ ਆਪਣੇ ਪਲੇਟਫਾਰਮ ਲਈ ਇੱਕ ਵੇਟਲਿਸਟ ਖੋਲ੍ਹ ਦਿੱਤੀ ਹੈ ਅਤੇ ਗਰਮੀਆਂ ਦੇ ਅੰਤ ਤੱਕ ਪੂਰੀ ਸੇਵਾ ਲਾਂਚ ਕਰਨ ਦਾ ਇਰਾਦਾ ਰੱਖਦੀ ਹੈ। ਡਿਵੈਲਪਰਾਂ ਅਤੇ ਸੰਸਥਾਪਕਾਂ (founders) ਲਈ, Handoff ਦੀ ਸਫਲਤਾ "Action Models" ਵੱਲ ਇੱਕ ਤਬਦੀਲੀ ਦਾ ਸੰਕੇਤ ਹੋ ਸਕਦੀ ਹੈ ਜੋ ਸਿਰਫ਼ ਗੱਲਬਾਤ ਦੀ ਬਜਾਏ ਕੰਮ ਨੂੰ ਪੂਰਾ ਕਰਨ ਨੂੰ ਪਹਿਲ ਦਿੰਦੇ ਹਨ।

ਮੁੱਖ ਗੱਲਾਂ

  • Action-Oriented Architecture: ਮਿਆਰੀ LLMs ਦੇ ਉਲਟ ਜੋ ਟੈਕਸਟ ਟੋਕਨਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨ, Hark ਦਾ ਮਾਡਲ ਕਲਿੱਕ ਅਤੇ ਕੀਸਟ੍ਰੋਕਸ ਵਰਗੀਆਂ ਖਾਸ ਯੂਜ਼ਰ ਕਾਰਵਾਈਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ।
  • API-Less Automation: Handoff ਏਜੰਟ Walmart ਅਤੇ LinkedIn ਵਰਗੀਆਂ ਵੈੱਬਸਾਈਟਾਂ 'ਤੇ ਕੰਮ ਕਰਨ ਲਈ ਵਿਜ਼ੂਅਲ ਅਤੇ ਸਟ੍ਰਕਚਰਲ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜੋ ਅਧਿਕਾਰਤ APIs ਨਹੀਂ ਦਿੰਦੇ।
  • Cost and Speed Focus: Hark ਦਾ ਉਦੇਸ਼ GPT 5.5 ਵਰਗੇ ਪ੍ਰਮੁੱਖ ਮਾਡਲਾਂ ਦੀ ਕੀਮਤ ਅਤੇ ਲੇਟੈਂਸੀ (latency) ਨੂੰ ਘੱਟ ਕਰਨਾ ਹੈ, ਜਿਸਦਾ ਟੀਚਾ ਕੁਸ਼ਲ, ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਬ੍ਰਾਊਜ਼ਰ ਟਾਸਕ ਆਟੋਮੇਸ਼ਨ ਹੈ।

ਕੀ ਦੇਖਣਾ ਹੈ

  • Launch timeline – Hark ਨੇ ਇੱਕ ਵੇਟਲਿਸਟ ਖੋਲ੍ਹ ਦਿੱਤੀ ਹੈ ਅਤੇ ਗਰਮੀਆਂ ਦੇ ਅੰਤ ਤੱਕ ਪੂਰੀ ਰਿਲੀਜ਼ ਦੀ ਯੋਜਨਾ ਬਣਾਈ ਹੈ।
  • Model evolution – Hark ਇੱਕ post-trained ਮਾਡਲ ਤੋਂ ਪੂਰੇ pre-training ਪੜਾਅ ਵੱਲ ਵਧ ਰਿਹਾ ਹੈ ਜੋ ਇਸ ਸਾਲ ਦੇ ਅੰਤ ਵਿੱਚ ਸ਼ੁਰੂ ਹੋਣ ਵਾਲਾ ਹੈ।