Hark, лаборатория потребительского ИИ Бретта Адкока (основатель Figure AI), выпустила Handoff² — второе поколение computer-use агента, который управляет браузером и доводит задачи до конца: покупает продукты, бронирует билеты, записывает к врачу. По данным компании, в среднем агент стал работать в два раза быстрее первой версии, а обновление уже раскатывают на все тарифы Hark Pro.

image
image

Что произошло

Релиз касается и модели, и окружения вокруг неё. Сама модель Handoff², по заявлению Hark, на 46% быстрее первой версии, а остальную часть ускорения компания отнесла к доработкам серверной части. Отдельные сценарии прибавили сильнее среднего: бронирование авиабилетов — до 3,8 раза, длинные исследовательские задачи — более чем в 5 раз. На внутреннем бенчмарке из 478 задач на 238 сайтах доля успешных выполнений выросла с 73% до 82%. На внутреннем тесте поведения, среди проверок которого есть запрет оформлять покупку без согласия пользователя, результат вырос с 90,3% до 93,8%.

Контекст

Первая версия Handoff вышла в октябре, и с тех пор агент провёл более 5,6 млн браузерных сессий и оплатил покупок на сумму свыше $20 млн, то есть автономные транзакции в его исполнении уже идут в ощутимом масштабе. Главный сигнал релиза в том, как именно получено ускорение. Основной вклад дала совместная разработка харнеса и RL-рецепта, где штрафуются лишние ходы, избыточные thinking-токены и задержка: агент учится батчить очевидные действия, например заполнять несколько полей формы за один ход, и сворачивать повторяющиеся последовательности в переиспользуемые составные действия. По заявлению Hark, Handoff² находится в пределах 5 пунктов от Claude Opus 5.5 (max) при вдвое меньшей задержке, однако это сравнение проведено в харнесе Hark, а не в нейтральном окружении.

Почему это важно для индустрии

Для индустрии главное в релизе то, что скорость агента показана как обучаемая метрика, а не побочный эффект размера модели. Если рецепт со штрафами за лишние ходы и задержку воспроизводится, юнит-экономику computer-use агентов можно улучшать без переезда на более крупную модель: меньше ходов и thinking-токенов означает дешевле каждую задачу. Переиспользуемые составные действия рискуют стать стандартной фичей browser-use стеков, а конкуренты, по всей видимости, ответят собственными оптимизациями харнеса, так что вероятна гонка латентности и появление сравнений агентов по цене и времени выполнения задачи, а не только по доле успешных выполнений. Для сторонних команд продукт пока закрыт: публичного API нет, применить рецепт напрямую нельзя, доступны только общие принципы.

Почему это важно для пользователей

Handoff² уже раскатывают на все тарифы Hark Pro, так что ускорение пользователь получает без смены тарифа: вход бесплатный, платные тарифы $20 и $100 в месяц лишь повышают лимиты использования. Компания оценивает эффект так: 10-минутная задача сжимается до 3 минут, 45-минутная — до 10. На практике это касается привычных сценариев вроде бронирования билетов или оформления заказа, которые агент доводит до конца, включая оплату. Поскольку платежи агент проводит сам, итог крупной покупки или бронирования всё же стоит просмотреть глазами, особенно при больших суммах.

Что пока неизвестно / ограничения

Все цифры — внутренние бенчмарки Hark, не подтверждённые независимые: неизвестны распределение задач, доверительные интервалы и то, совпадали ли наборы заданий для двух версий агента. Нейтрального сравнения с флагманскими моделями нет, поэтому корректный вывод ограничен собственным стеком Hark: их агент близок к флагману на их метрике при меньшей задержке. Раскрыты только общие принципы ускорения: функции вознаграждения и их веса, пространство действий для батчинга, критерии отбора очевидных действий и содержание серверных доработок не описаны, статьи или tech report с методологией нет. Наконец, даже после улучшения порядка 6% поведенческих проверок всё ещё проваливаются, и на масштабе уже идущих автономных сессий редкие сбои транзакций перестают быть статистикой и становятся операционным риском.

Источники

Автор

Look at AI, редакция