Hark 发布 Handoff²,computer-use agent 速度提升 2 倍
Hark 为其 Hark Pro 产品发布 Handoff²,这是其 computer-use agent 的第二代版本,平均执行速度比 v1 快 2 倍。在内部测试中,Handoff² 在 478 个真实网页操作任务上完成率为 82%。速度提升的核心来自训练方式的改变:模型通过带延迟惩罚的强化学习(latency-penalized RL),学会了把多个操作批量执行,减少不必要的逐步等待。 从机制上看,传统 computer-use agent 通常逐步点击、输入、等待页面响应,而 Handoff² 在 RL 训练中被直接惩罚响应延迟,因此自发学到了动作合并策略。这种以延迟为奖励信号一部分的训练方式,说明 agent 的效率可以通过训练目标显式优化,而非仅靠底层模型升级。 在竞争语境下,computer-use agent 赛道已有 OpenAI 的 Operator、Anthropic 的 computer use 能力等玩家,Hark 选择用速度和任务完成率作为差异化指标。对需要自动化网页流程的企业用户来说,82% 的完成率意味着约五分之一的任务仍需人工接管,实际部署时仍需保留人工兜底流程。
Current read
做网页自动化的人可以关注这个:Hark 把 computer-use agent 的速度翻倍,方法是用带延迟惩罚的强化学习让模型学会批量操作,478 个任务跑出 82% 完成率。相比 Operator 这类逐点击的方案,这个思路值得借鉴。
Evidence
11 sourcesConflict check
Dedup data only shows that these sources discuss the same event, not that they agree. There is no structured supporting or refuting evidence yet, so no conflict is inferred automatically.