Mis on Amazon Nova Act v1.0?
Amazon Nova Act v1.0 on Amazon Web Servicesi spetsialiseeritud alusmudel brauserite ja kasutajaliideste automatiseerimiseks. Selle ülesanne on töötada veebiliideses: tõlgendada ekraanil kuvatavat, otsustada, millist toimingut on vaja teha, suhelda lehe elementidega ja liikuda ülesande eesmärgi täitmise poole.
Seetõttu erineb Nova Act tavapärasest tekstimudelist. Tüüpiline vestlusmudel tagastab viiba peale peamiselt teksti. Nova Acti kasutatakse eelkõige brauseriseansis toimingute tegemiseks, näiteks veebisaidil navigeerimiseks, juhtelemendi valimiseks, teabe sisestamiseks, tulemuste kogumiseks või ülesande inimesele suunamiseks, kui selleks on vaja heakskiitu.
Mudelile pääseb ligi Amazon Nova Acti teenuse ja SDK kaudu. Kaasasolevas dokumentatsioonis ei esitata seda Amazon Bedrockis üldotstarbelise märgipõhise hinnastusega vestlusmudelina. AWS määratleb nova-act-v1.0 selle väljalaske kinnitatava mudelivaliku ID-na.
Väljalaske olek ja koht AWS-i mudelivalikus
Nova Act v1.0 jõudis üldiselt kättesaadavaks 2. detsembril 2025. AWS kirjeldab üldiselt kättesaadavaid mudeliversioone tootmisväljalasetena, mida toetatakse vähemalt ühe aasta jooksul. Läbivaadatud dokumentatsioonis on teenus loetletud AWS-i USA idaranniku (Põhja-Virginia) piirkonna jaoks.
Nova Actil on AWS-i tehisintellekti kataloogis kindlalt piiritletud roll: see on mõeldud brauseriagendi tööks, mitte laiaulatuslikuks teksti genereerimiseks. Amazoni laiemasse tehisintellekti portfelli kuuluvad ka muud teenused ja mudelipered vestlusrakenduste, alusmudelite kasutamise ja ettevõtete arendustöö jaoks, kuid need ei asenda Nova Acti pakutavat konkreetset kasutajaliidese automatiseerimise käituskeskkonda. Identifikaatorid nova-act-latest ja nova-act-preview on mudelivaliku varjunimed ning neid ei tohiks käsitleda eraldi Nova Acti mudelikirjetena.
Kuidas Nova Act praktikas töötab?
Nova Acti töövoog ühendab kolm elementi:
- Loomulikus keeles antud ülesandejuhised: arendaja kirjeldab brauseriülesannet, mida mudel peab täitma.
- Brauseri- ja visuaalne kontekst: mudel töötab brauseriseansi ja renderdatud kasutajaliidesega, mida tal tuleb tõlgendada.
- Deterministlik rakenduskood: Pythoni kood haldab muutujaid, harusid, valideerimist, saladusi, korduskatseid, andmetöötlust ja teiste süsteemidega lõimimist.
See hübriidne ülesehitus on oluline. Mudel suudab toime tulla lehe paigutuse või sõnastuse muutustega, mida oleks keeruline täielikult fikseeritud selektoritega kirjeldada, samal ajal kui tavaline kood saab jõustada ärireegleid, mida ei tohiks jätta tõenäosusliku mudelikäitumise hooleks. Näiteks võib Nova Act leida vormi ja selle täita, samal ajal kui Python kontrollib saadud väärtusi, otsustab, kas töövoog võib jätkuda, ja salvestab tulemuse.
Mudel toetab ka inimest protsessi kaasavaid töövooge. Kui ülesanne jõuab tundliku, ebaselge või heakskiitu nõudva sammuni, võib töövoog automaatse jätkamise asemel inimese vastust oodata. AWS-i sõnul ei arvestata inimese vastuse ootamise aega agenditundide põhises arveldamises.
Toetatud sisendid ja väljundid
Praktilises mõttes on Nova Act multimodaalne, sest see töötab nii visuaalse brauseri- ja kasutajaliidese teabega kui ka tekstijuhistega. Läbivaadatud uurimismaterjalides tuuakse välja pildisisendi ja multimodaalse sisendi tugi, kus brauseri renderdatud visuaalne kontekst moodustab peamise töökeskkonna. Heli- ega videosisendi tuge neis ei mainita.
Selle peamine väljund on toiming või toimingute jada, mitte genereeritud pilt, heliklipp või video. Toimingud võivad hõlmata klõpsamist, teksti sisestamist, valimist, navigeerimist, teabe väljavõtmist ja lehel olevate juhtelementidega suhtlemist. Seega võib Nova Act oma käituskeskkonna kaudu tekitada masinaga täidetavat käitumist, kuid seda ei tohiks kirjeldada otsese pildi- või heliväljundi mudelina.
AWS ei avalda kaasasolevates allikates Nova Act v1.0 kontekstiakna suurust ega väljundi maksimaalset märgipiirangut. Need puuduvad andmed on olulised, sest mudel on loodud aktiivse brauseritöövoo, mitte tavapärase viiba ja vastuse liidese ümber. Arendajad ei tohiks eeldada kindlat märgipiirangut, JSON-režiimi, voogedastusliidest, vahemällu salvestamise funktsiooni ega spetsiaalset pakettliidest, kui AWS pole seda kasutatava teenuseversiooni jaoks dokumenteerinud.
Peamised võimekused ja tugevused
Nova Acti tugevaim võimekus on veebiliidestega suhtlemine. Selle dokumenteeritud ja kirjeldatud kasutusjuhtude hulka kuuluvad:
- Brauseris navigeerimine ja kasutajaliidese juhtimine
- Korduvad taustatoimingud veebirakendustes
- Veebiandmete kogumine ja teabe väljavõtmine
- Konkurentide hindade jälgimine
- Reisi- ja broneeringu-uuringud
- Agendipõhine kvaliteedi tagamine ja kasutajaliidese regressioonitestimine
- Inimese järelevalvega ettevõtete töövood
Mudel on eriti kasulik siis, kui ülesannet ei saa täita stabiilse ja lihtsa API kaudu või kui vajalik protsess on peamiselt veebisaidi kaudu kättesaadav. See võib järgida juhist, mis nõuab teabe leidmist eri lehtedelt, korduva haldusprotsessi läbimist või veebisaidi toimimise kontrollimist, samal ajal kui Pythoni kood haldab ümbritsevat töövoogu.
Teine tugevus on paindliku mudelikäitumise ja deterministliku juhtimise eraldamine. Arendajad ei pea iga suhtlust jäiga koodina väljendama, kuid saavad siiski olulisi väljundeid valideerida ning lisada kaitsemeetmeid andmeid, kontosid või äriprotsesse mõjutavate toimingute ümber.
Arutlemine, kodeerimine ja tööriistade kasutamine
Nova Act tegeleb ülesandekeskse arutlemisega: see tõlgendab eesmärki brauseri kontekstis ja valib järgmise kasutajaliidese toimingu. See on kitsam kui avatud vormis arutlemine, mida üldotstarbeliselt keelemudelilt oodatakse. Mudeli arutlusvõime on väärtuslik siis, kui lehe struktuur, sildid või navigeerimisteed varieeruvad, kuid see jääb seotuks käimasoleva töövoo ja olemasoleva brauserikontekstiga.
Tööriistade kasutamine on keskne, mitte kõrvaline funktsioon. Brauseriga suhtlemine on mudeli peamine tööriistapõhine keskkond ning teenus on loodud selles keskkonnas toiminguid genereerima või täitma. Töövoog võib Pythoni orkestreerimise kaudu kasutada ka tavapärast rakendusloogikat ja väliseid integratsioone.
Nova Act ei ole üldotstarbeline kodeerimismudel. Arendajad kirjutavad mudeli ümber Pythoni koodi, kuid mudelit ei positsioneerita iseseisva süsteemina suurte tarkvaraprojektide genereerimiseks, piiranguteta programmeerimisülesannete lahendamiseks või märgipõhise koodilõpetuse pakkumiseks. Kaasasolev toimetuslik hinnang annab selle sobivusele kodeerimiseks 5 punkti 10-st, sest kodeerimine on töövoo lõimimiseks kasulik, kuid ei ole mudeli keskne eesmärk. See hinne on toimetuslik hinnang, mitte AWS-i võrdlustest ega teenusepakkuja avaldatud reiting.
Hinnastamine ja kulude kompromissid
AWS hinnastab Nova Acti töövooge summaga 4,75 dollarit agenditunni kohta. Agenditund mõõdab tegelikku kulunud aega, mille jooksul agent töötab. Paralleelselt töötavad agendid tekitavad eraldi tasud. AWS-i hinnakirjelduse kohaselt ei arvestata inimest protsessi kaasavas töövoos inimese vastuse ootamise aega agenditundide põhises arveldamises.
See erineb keelemudelite puhul tavalisest sisend- ja väljundmärgi põhinevast hinnastamisest. AWS ei avalda kaasasolevas uuringumaterjalis Nova Act v1.0 jaoks eraldi märgipõhiseid hindu. Tegelik kulu sõltub seega sellest, kui kaua brauseriagent aktiivsena püsib, kui palju agente töötab paralleelselt ja kui tõhusalt töövoog lõpule jõuab.
Lühikeste ja lihtsate teksti genereerimise ülesannete puhul võib tavapärane keelemudel olla soodsam ja hõlpsamini kasutatav. Nova Acti hinnastamine muutub asjakohasemaks siis, kui alternatiiv oleks hapra brauseriautomaatika hooldamine, korduvate protsesside käsitsi läbimine või suure hulga kohandatud, kasutajaliidesespetsiifilise loogika loomine. Õige võrdlus on brauseriülesande täitmise kogukulu ja töökindlus, mitte ainult mudelipäringu näiline hind.
Piirangud ning toetamata või täpsustamata funktsioonid
Nova Act v1.0-l on mitu olulist piirangut:
- Kliendipoolne peenhäälestus puudub: AWS-i sõnul ei saa kliendid mudelit otse peenhäälestada. Käitumist kohandatakse juhiste, töövoo ülesehituse, Pythoni loogika, brauseri konfiguratsiooni, tööriistade, saladuste ja valideerimise abil.
- Avaldatud konteksti- ja väljundmärgi piirangud puuduvad: läbivaadatud allikates ei täpsustata konteksti pikkust ega väljundi maksimaalset märgikogust.
- See ei ole üldotstarbeline vestlusmudel: tegemist on peamiselt brauseriagendi mudeliga, mitte laia kasutusalaga vestlus- või kirjutamissüsteemiga.
- Eraldiseisev meedia genereerimine puudub: uurimismaterjal ei kinnita pildi-, heli-, video-, muusika- ega kõneväljundi võimekust.
- Sõltuvus veebisaitidest: töökindlust võivad mõjutada lehe ümberkujundused, autentimine, brauseri olek, muutuv sisu, ülesande ebaselgus ja juurdepääsmatud juhtelemendid.
- Täpsustamata liidese funktsioonid: voogedastust, vahemällu salvestamist, JSON-režiimi, struktureeritud väljundit ega spetsiaalset pakettliidest ei ole läbivaadatud Nova Acti dokumentatsioonis täpsustatud.
Need piirangud ei tähenda tingimata, et mudel ei sobi tootmiskasutuseks. Need tähendavad, et tootmisvoog peaks kasutama valideerimist, veakäsitlust, juurdepääsukontrolle, logimist ja inimesele eskaleerimist, mitte eeldama, et iga brauseritoiming on korrektne.
Millal valida Amazon Nova Act v1.0?
Valige Nova Act v1.0 siis, kui peamine probleem on veebisaidi või visuaalse kasutajaliidesega töökindel suhtlemine. See sobib hästi korduvate veebitoimingute, brauseripõhise testimise, andmekogumise, hinnaseire ja töövoogude jaoks, mis vajavad nii paindlikku kasutajaliidese tõlgendamist kui ka deterministlikku rakenduse juhtimist.
See sobib ka olukordades, kus inimene peab muidu automatiseeritud protsessi jälgima. Töövoog võib teha rutiinsed sammud, peatuda heakskiidu saamiseks ja jätkata pärast seda, kui inimene on erandi lahendanud või olulise toimingu kinnitanud.
Mõne muu lahenduse valimine võib olla otstarbekam siis, kui ülesanne seisneb peamiselt pika teksti kirjutamises, avatud vestluses, üldises tarkvaraarenduses, piltide genereerimises, kõnesünteesis, manuste loomises või mudeli otseses peenhäälestuses. API-põhine integratsioon võib samuti olla eelistatavam, kui saadaval on stabiilne teenuse API, sest otsesed API-kutsed võivad olla lihtsamad ja visuaalse paigutuse muutuste suhtes vähem tundlikud kui brauseriautomaatika.
Lühidalt öeldes tuleks Nova Act valida selle brauseriagendi spetsialiseerituse, mitte universaalse asendusena teistele mudelitüüpidele. Selle peamine kompromiss on keskendunud toiminguvõimekus ja visuaalses kasutajaliideses navigeerimine, millega kaasnevad kitsam kasutusala, agenditundidel põhinev hinnastamine ja sõltuvus nende veebisaitide käitumisest, millel agent töötab.