مشاهده توییت های دیگر

یکی از چیزهایی که توی Browser Agentها خیلی راحت نادیده گرفته میشه، هزینه هر Action ـه. وقتی برای هر حرکت، screenshot کامل صفحه رو به مدل میدی، LLM باید دوباره UI رو تحلیل کنه، المنت مناسب رو پیدا کنه و بعد تصمیم بگیره چه کاری انجام بده. این هم Token میخوره، هم Latency اضافه میکنه.

Browser Use برای همین ایده جالبی به اسم Jev Ultrafast منتشر کرده. به جای اینکه برای هر Action یک screenshot جدید به مدل بدی، ساختار صفحه و المنت های قابل تعامل رو به شکل ساده در اختیارش میذاری؛ مثلاً [3] textbox یا [7] button.

مدل دیگه لازم نیست بفهمه این دکمه کجای صفحه قرار گرفته یا کل UI چه شکلیه. فقط باید تصمیم بگیره مثلا:

روی [7] کلیک کنم؟ یا داخل [3] چیزی بنویسم؟

این تغییر ظاهرا ساده، معماری Agent رو هم عوض میکنه. Browser بیشتر کار اجرای Action رو انجام میده و LLM تبدیل میشه به Decision Maker. برای Browser Agent، همیشه بیشتر دیدن به معنی هوشمندتر شدن نیست؛ گاهی باید اطلاعاتی که مدل میبینه رو کمتر کنیم تا سریع تر و ارزان تر تصمیم بگیره.

سورس پروژه: https://github.com/browser-use/jev-ultrafast