Hark电脑操作Agent提速,内部成功率82%
Hark发布Hark Pro内置的Handoff²,称平均速度达到上一版的两倍,在478项内部网页任务上的完成率为82%。该Agent通过加入延迟惩罚的强化学习,学会批量执行操作。
AI 深度解读
Hark 给浏览器代理提了一道更实际的考题:任务能完成,能不能少等一半时间?据 MarkTechPost 转述,Handoff² 在内部测试中的平均端到端速度约为上一代的 2 倍,任务完成率也从 73% 升到了 82%。
对程序员更有参考价值的是提速方法:同时改造代理执行框架和强化学习目标,让模型少走几轮、多做几步。不过,新版本成绩全部来自 Hark 自报,值得借鉴的是优化思路,产品排名还得留个问号。
快一倍,靠的是减少模型与浏览器之间的往返
Handoff² 是 Hark Pro 内置的第二代电脑操作代理,2026 年 11 月 12 日发布。它通过点击、输入、滚动操作真实网页,而不是调用网站 API。初代 Handoff 于 2026 年 8 月预览、10 月进入 Hark Pro;Hark 称,此后累计处理了超过 5.6M 次浏览会话和超过 $20M 的购买交易。
这类代理的耗时不只在网页加载。模型观察屏幕、思考下一步、输出动作,再等待执行结果,每一轮都有成本。
Hark 同时改了两处。执行框架(harness,即承接模型输出并操作电脑的系统)允许模型每轮发出更多动作;强化学习(RL)则惩罚多余轮次、不必要的思考 token 和端到端延迟。
模型由此学会三种行为:一轮填写多个表单字段,把重复操作组合成可复用动作,并在后续任务中继续使用这些组合。
提速的关键,是让完成同一个任务所需的交互轮次变少。
每个请求都分配一台专属虚拟电脑,包含浏览器、文件系统和终端。模型输出针对屏幕坐标的鼠标、键盘动作。长任务需要的操作多,每轮省下的时间会累积,因此长流程的收益更明显。
这里有个边界:原文没有公开动作批处理的协议、训练奖励权重,也没有说明多个动作执行到一半失败时如何恢复。它提供了方向,尚不足以复现实现。
速度和完成率都涨了,但测试条件要一起看
Hark 报告的平均端到端速度约为 v1 的 2 倍,机票预订最高提速 3.8 倍,长研究任务超过 5 倍。原文举例,10 分钟的任务可以缩到 3 分钟,45 分钟的任务可以缩到约 10 分钟。这些是示例,不能理解成所有同类任务都有相同收益。
更完整的数据来自内部浏览基准:覆盖 238 个网站、共 478 项任务,Handoff² 完成率为 82%,v1 为 73%;每项任务耗时减少 46%。耗时减少 46% 与速度约为 2 倍大体对应,但不是完全相同的统计表述。
同一套执行框架中,Handoff² 的完成率仍落后于 Claude Opus 5.5 (max),差距在 5 个百分点以内。不过,v1 使用的是旧执行框架。因此,这组结果反映的是模型训练与执行系统共同升级的效果,无法单独算出 RL 的贡献。
另一项内部对齐基准从 90.3% 升至 93.8%。它检查代理是否会未经批准结账,以及是否只在请求确有歧义时才追问。少追问可以减少等待,但不能以跳过购买确认来换速度。
公开的 Online-Mind2Web human-eval 榜单上,初代 Handoff 为 97.67%,Yutori Navigator n1.5 为 97.3%;Handoff² 尚未公布成绩。
旧版本的公开分数,不能替新版本的内部成绩作证。
82% 和 97.67% 来自不同基准,也不能据此判断版本退步。原文没有给出足够的任务分布、重复测试和波动信息,无法进一步比较稳定性。
能直接使用,但还不是可接入项目的 API
Handoff² 运行在 Hark 云端,用户通过 Web、iOS、Android 使用。没有本地部署或量化选项,Hark 也没有公布公共 API 或模型权重。
套餐包括免费 Hark Pro、每月 $20 的 Pro²,以及每月 $100 的 Pro³;后两者分别提供 2 倍和 10 倍用量,全部套餐均提供所有功能。原文没有交代基础用量是多少,不能只凭倍数推算能跑多少任务。
对开发者来说,这一区别很实际:可以把它当作消费级助手处理网页任务,但目前不能据此规划 Node 服务集成。
原文还列了 Yutori Navigator n1.5 和 Meta Muse。前者于 2026 年 5 月 6 日发布,通过 API 按量收费,提供 $5 免费额度;后者于 2026 年 9 月 8 日发布,使用带独立浏览器的 Muse Secure VM,套餐为免费、每月 $20 的 Power 和每月 $100 的 Maximum。Meta Muse 在美国支持 iOS、Android、muse.ai 和 WhatsApp。
这些产品的交付方式不同,而且没有参与 Hark 的内部基准。价格放在一起方便了解入口,却不能据此比较单位任务成本。
我的判断
我认可把延迟写进优化目标。浏览器代理面对的是完整流程,减少一次模型调用、合并一组可靠动作,都可能比单独追求更高的模型分数更贴近用户感受。
但「速度优先训练有效」目前仍是 Hark 提供的案例证据。原文没有分别测试只换执行框架、只改 RL、两者一起改,也没有第三方 Handoff² 成绩,不能把全部增益归功于某一项技术。
一般团队还要考虑可控性。按坐标操作适合跨网站任务,但页面布局变化、弹窗和异步加载都会影响执行。对于自有系统,直接调用 API,或用 Playwright 定位元素完成固定流程,通常更容易检查和维护。Handoff² 的案例没有提供这些替代方案的对照数据,也不能证明它全面更优。
能拿来做什么
- 做浏览器代理时,同时记录完成率、端到端耗时和模型调用轮次,先找到等待集中在哪一步,再决定优化模型还是执行流程。
- 对连续填写表单等步骤尝试批量执行,并为中途失败设置检查点;涉及提交订单、付款等动作时,单独保留用户确认。
- 给长流程设计可复用动作时,明确页面条件和成功判据,避免把一串坐标点击当成跨页面通用能力。
- 评估 Handoff² 时,用自己的代表性网页任务试跑;需要公共 API 或本地部署的项目,应先确认产品是否满足接入条件。