GitHub recientemente se volvió viral de la nada con un agente de navegador de IA bastante interesante.
Se llama Jev Ultrafast.
El proyecto apareció recién el 16 de septiembre y, después de estar en línea unas 15 horas, aún no llegaba a 1.000 Stars.
A los pocos días:
9/16: menos de 1.000 Stars
↓
9/21: aprox. 6.800
↓
Ahora: superó las 10.000 Stars
En solo 6 días, el ritmo de crecimiento es increíble.
Pero lo realmente destacable no son las Stars de GitHub, sino la elección que hizo respecto a su Browser Agent, que es muy distinta.
Actualmente, la mayoría de los agentes de navegador de IA operan las páginas de esta manera, más o menos:
Captura de pantalla
→ La IA ve la imagen
→ Busca botones
→ Clic
→ Otra captura de pantalla
→ Vuelve a decidir el siguiente paso
Este enfoque es bastante intuitivo, pero también implica mucho procesamiento visual, inferencia del modelo y costos de operación.
La idea de Jev es diferente.
No necesita que la IA “mire la pantalla” continuamente, sino que organiza directamente el DOM de la página y los elementos que se pueden operar en un Action Space estructurado.
Lo que ve el modelo se parece más a:
Botón A
Campo de entrada B
Opción C
Y luego solo tiene que decidir qué acción ejecutar a continuación.
Cuando realmente se necesita generar texto, recién entonces se llama al LLM.
En una demo oficial de Google Flights, desde Zúrich hasta Londres, el proceso tarda aproximadamente 7,1 segundos.
Además, las pruebas publicadas oficialmente también muestran que, en algunas tareas, las llamadas al protocolo del navegador se pueden reducir de forma considerable.
Esto es lo que me parece tan interesante.
En el pasado, cuando la gente hablaba de agentes de IA, casi toda la atención estaba en:
¿El modelo es más inteligente?
Pero después de desplegar agentes a gran escala, quizá el otro problema sea incluso más importante:
Al completar una tarea, ¿cuántas veces requiere el agente inferencia del modelo, cuántos tokens, cuántos segundos y cuánto dinero?
Si un Browser Agent puede “mirar” menos veces, “pensar” menos veces, pero aun así hacer el mismo trabajo,
la próxima competencia de agentes quizá no sea solo de inteligencia.
Sino de:
Eficiencia.
Se llama Jev Ultrafast.
El proyecto apareció recién el 16 de septiembre y, después de estar en línea unas 15 horas, aún no llegaba a 1.000 Stars.
A los pocos días:
9/16: menos de 1.000 Stars
↓
9/21: aprox. 6.800
↓
Ahora: superó las 10.000 Stars
En solo 6 días, el ritmo de crecimiento es increíble.
Pero lo realmente destacable no son las Stars de GitHub, sino la elección que hizo respecto a su Browser Agent, que es muy distinta.
Actualmente, la mayoría de los agentes de navegador de IA operan las páginas de esta manera, más o menos:
Captura de pantalla
→ La IA ve la imagen
→ Busca botones
→ Clic
→ Otra captura de pantalla
→ Vuelve a decidir el siguiente paso
Este enfoque es bastante intuitivo, pero también implica mucho procesamiento visual, inferencia del modelo y costos de operación.
La idea de Jev es diferente.
No necesita que la IA “mire la pantalla” continuamente, sino que organiza directamente el DOM de la página y los elementos que se pueden operar en un Action Space estructurado.
Lo que ve el modelo se parece más a:
Botón A
Campo de entrada B
Opción C
Y luego solo tiene que decidir qué acción ejecutar a continuación.
Cuando realmente se necesita generar texto, recién entonces se llama al LLM.
En una demo oficial de Google Flights, desde Zúrich hasta Londres, el proceso tarda aproximadamente 7,1 segundos.
Además, las pruebas publicadas oficialmente también muestran que, en algunas tareas, las llamadas al protocolo del navegador se pueden reducir de forma considerable.
Esto es lo que me parece tan interesante.
En el pasado, cuando la gente hablaba de agentes de IA, casi toda la atención estaba en:
¿El modelo es más inteligente?
Pero después de desplegar agentes a gran escala, quizá el otro problema sea incluso más importante:
Al completar una tarea, ¿cuántas veces requiere el agente inferencia del modelo, cuántos tokens, cuántos segundos y cuánto dinero?
Si un Browser Agent puede “mirar” menos veces, “pensar” menos veces, pero aun así hacer el mismo trabajo,
la próxima competencia de agentes quizá no sea solo de inteligencia.
Sino de:
Eficiencia.
