$700 మిలియన్ల సిరీస్ A నిధులతో మద్దతు ఉన్న హై-గ్రోత్ స్టార్టప్ Hark, మనుషుల మాదిరిగానే వెబ్‌ను నావిగేట్ చేయడానికి రూపొందించబడిన ఒక ఇంటెలిజెంట్ ఏజెంట్ "Handoff"ను అధికారికంగా పరిచయం చేసింది. కేవలం టెక్స్ట్ జనరేషన్‌కు మాత్రమే పరిమితం కాకుండా, అధికారిక API సపోర్ట్ లేని వెబ్‌సైట్‌లలో సంక్లిష్టమైన వర్క్‌ఫ్లోలను ఆటోమేట్ చేయడమే Handoff లక్ష్యం.

APIలు లేకుండా వెబ్‌ను నావిగేట్ చేయడం

ఆటోమేషన్‌లో ఎదురయ్యే అతిపెద్ద అడ్డంకులలో ఒకటి స్ట్రక్చర్డ్ APIలపై ఆధారపడటం. Hark యొక్క Handoff ఏజెంట్, ఇంటర్‌ఫేస్‌లతో ఇంటరాక్ట్ అవ్వడానికి వెబ్‌సైట్ యొక్క అంతర్గత నిర్మాణం మరియు విజువల్ డేటా రెండింటినీ విశ్లేషించడం ద్వారా ఈ పరిమితిని అధిగమిస్తుంది. దీనివల్ల Target, Walmart, OpenTable మరియు LinkedIn వంటి అధిక ట్రాఫిక్ ఉన్న, API లేని ప్లాట్‌ఫారమ్‌లను ఈ ఏజెంట్ సులభంగా నావిగేట్ చేయగలదు.

బటన్‌లను క్లిక్ చేయడం, స్క్రోల్ చేయడం లేదా టెక్స్ట్‌ను ఇన్‌పుట్ చేయడం వంటి పనులను ఎప్పుడు చేయాలో నిర్ణయించడానికి ఈ ఏజెంట్ విజువల్ క్యూస్ (visual cues)ను అర్థం చేసుకుంటుంది. ఇటీవల జరిగిన ఒక డెమోలో, CEO Brett Adcock ఈ ఏజెంట్ సంక్లిష్టమైన, "fuzzy" లాజిక్‌ను హ్యాండిల్ చేయగల సామర్థ్యాన్ని ప్రదర్శించారు—ఉదాహరణకు, వినియోగదారు "ఫ్లారిస్ట్ ఇష్టానుసారం కొన్ని పూలు కావాలి" అని చెప్పినప్పుడు ఒక కస్టమ్ ఫ్లవర్ బౌకేని తయారు చేయడం వంటివి. ఈ సామర్థ్యం కేవలం కమాండ్లను అమలు చేయడమే కాకుండా, లోతైన అర్థాన్ని (semantic understanding) గ్రహించగలదని సూచిస్తుంది, దీనివల్ల మనిషి మరియు ఏజెంట్ మధ్య మరింత సహజమైన ఇంటరాక్షన్ సాధ్యమవుతుంది.

Next-Token నుండి Next-Action ప్రిడిక్షన్ వైపు మార్పు

సాంకేతికంగా, Hark సాంప్రదాయ Large Language Model (LLM) పద్ధతి నుండి భిన్నంగా మారుతోంది. సాంప్రదాయ LLMలు టెక్స్ట్ క్రమంలో తదుపరి టోకెన్‌ను (next token) అంచనా వేయడానికి ఆప్టిమైజ్ చేయబడి ఉంటాయి, కానీ Hark మోడల్ "తదుపరి చర్యను" (next action) అంచనా వేసేలా రూపొందించబడింది. అంటే, ఈ మోడల్ స్క్రీన్‌పై ఒక నిర్దిష్ట కోఆర్డినేట్ వద్ద మౌస్ క్లిక్ చేయడం లేదా కీబోర్డ్ ఇన్‌పుట్ వంటి తదుపరి భౌతిక లేదా డిజిటల్ ఇంటరాక్షన్‌ను ప్రత్యేకంగా లెక్కిస్తుంది.

అభివృద్ధిని వేగవంతం చేయడానికి, Hark ప్రస్తుతం పోస్ట్-ట్రైన్డ్ (post-trained) మోడల్‌ను ఉపయోగిస్తోంది. ఈ వ్యూహం ద్వారా, ఈ ఏడాది చివరలో షెడ్యూల్ చేయబడిన పూర్తి ప్రీ-ట్రైనింగ్ దశకు వెళ్లే ముందు, కంపెనీ తన ట్రైనింగ్ ఇన్‌ఫ్రాస్ట్రక్చర్, డేటా పైప్‌లైన్‌లు మరియు ప్రత్యేక పద్ధతులను వేగంగా మెరుగుపరచుకోగలదు. వేగం మరియు ఖర్చు సామర్థ్యం (cost-efficiency) కోసం ఏజెంట్‌ను ఆప్టిమైజ్ చేయడానికి ఈ విధానాన్ని రూపొందించారు.

Computer-Use ఏజెంట్ల పోటీ రంగం

Hark ఒక రద్దీగా మరియు అత్యంత పోటీతత్వం ఉన్న రంగంలోకి ప్రవేశిస్తోంది. "computer-use" రంగంలో ఆధిపత్యం కోసం జరుగుతున్న ఈ పోటీలో Google, OpenAI మరియు Anthropic వంటి టెక్ దిగ్గజాలతో పాటు Browser Use, Polar, Strawberry మరియు Aside వంటి ప్రత్యేక VC-ఫండింగ్ స్టార్టప్‌లు కూడా ఉన్నాయి.

GPT 5.5 లేదా Opus 4.8 వంటి భారీ మోడల్‌లతో పోలిస్తే మెరుగైన వేగం మరియు గణనీయంగా తక్కువ నిర్వహణ ఖర్చులను కలిగి ఉంటుందని పేర్కొంటూ, Hark తనను తాను ఒక విప్లవాత్మక ప్రత్యామ్నాయంగా నిలబెట్టుకుంటోంది. సాధారణ టెక్స్ట్ మోడల్‌కు బదులుగా ప్రత్యేకమైన యాక్షన్-ఓరియంటెడ్ ఆర్కిటెక్చర్ పై దృష్టి పెట్టడం ద్వారా, అధిక ఫ్రీక్వెన్సీ మరియు తక్కువ ఖర్చుతో కూడిన బ్రౌజర్ ఆటోమేషన్ మార్కెట్‌ను అందిపుచ్చుకోవాలని Hark ప్రయత్నిస్తోంది.

కంపెనీ తన ప్లాట్‌ఫారమ్ కోసం వెయిట్‌లిస్ట్‌ను ప్రారంభించింది మరియు వేసవి చివరి నాటికి పూర్తి సేవలను ప్రారంభించాలని లక్ష్యంగా పెట్టుకుంది. డెవలపర్‌లు మరియు వ్యవస్థాపకులకు (founders), Handoff విజయం కేవలం సంభాషణ కంటే పని పూర్తి చేయడంపై (task completion) ప్రాధాన్యత ఇచ్చే "Action Models" వైపు మార్పును సూచించవచ్చు.

ముఖ్య అంశాలు

  • యాక్షన్-ఓరియంటెడ్ ఆర్కిటెక్చర్: టెక్స్ట్ టోకెన్‌లను అంచనా వేసే సాధారణ LLMల వలె కాకుండా, Hark మోడల్ క్లిక్‌లు మరియు కీస్ట్రోక్‌ల వంటి నిర్దిష్ట యూజర్ చర్యలను అంచనా వేస్తుంది.
  • API-లేని ఆటోమేషన్: Handoff ఏజెంట్ అధికారిక APIలను అందించని Walmart మరియు LinkedIn వంటి వెబ్‌సైట్‌లను నావిగేట్ చేయడానికి విజువల్ మరియు స్ట్రక్చరల్ డేటాను ఉపయోగిస్తుంది.
  • ఖర్చు మరియు వేగంపై దృష్టి: Hark, GPT 5.5 వంటి ప్రధాన మోడల్‌ల ధరలు మరియు లాటెన్సీ (latency) కంటే తక్కువగా ఉండాలని లక్ష్యంగా పెట్టుకుంది, తద్వారా సమర్థవంతమైన, భారీ స్థాయి బ్రౌజర్ టాస్క్ ఆటోమేషన్‌ను అందించాలని చూస్తోంది.

గమనించవలసినవి

  • లాంచ్ టైమ్‌లైన్ – Hark వెయిట్‌లిస్ట్‌ను ప్రారంభించింది మరియు వేసవి చివరి నాటికి పూర్తి విడుదల కోసం ప్లాన్ చేస్తోంది.
  • మోడల్ పరిణామం – Hark ప్రస్తుతం పోస్ట్-ట్రైన్డ్ మోడల్ నుండి ఈ ఏడాది చివరలో షెడ్యూల్ చేయబడిన పూర్తి ప్రీ-ట్రైనింగ్ దశకు మారుతోంది.