画面をOCRして分類するだけで、Mac操作を1ステップ0.02円で実現

Typesafe-computer-use drives a Mac toward a goal for 1/50th of a cent per step

▲ 81rahimnathwani52 HNでの議論

typesafe-computer-useは、画面のOCRとTypeSafeによる行動分類を組み合わせ、スクリーンショットを大規模モデルに送らずにMacを操作する。1ステップあたり約0.0002ドルで、Claude Opus 5と比べて155倍安く、14〜40倍高速。アクセシビリティツリーやオフスクリーン操作も活用し、決定論的な処理で低コストと高速性を両立している。

Frontier-model computer use is capable and expensive: every step ships a screenshot and waits several seconds for a plan. Most steps do not need a plan. They need one choice from a short list, made quickly and cheaply, with a confidence number you can gate on.
原文を読む →HNでの議論RSS

HNでの議論

52
  1. jdkoeck

    READMEを数行読んだところで、僕は目を疑った。これ、人間が一切編集してないじゃないか。「LLM検出、プロジェクト却下」。

  2. croemer

    デモ動画があると便利だね。自分で実行しなくても何をするのか分かるから。

  3. mmastrac

    DiffusionGemma-as-Jevを使うと助かるかどうか興味がある。画像を直接モデルに食わせて、画像埋め込みに基づいて判断させられるからね。

  4. jimmySixDOF

    これのどこが革新的なのかよく分からない。System-1モデルがDoomをプレイできることは発表の中でも見せてるじゃないか[1]：

    >Doom

    >このdoomoがリアルタイム知能と、コード＋AIで何がdooneできるかを示してくれてるのが最高に気に入ってる。これを開発したエンジニアは毎秒10クエリ（結局1時間あたり約$7かかる）を心配していたけど、他のみんなは予想より安いと同意したよ！これは本当に楽しいから、詳細なウォークスルーを公開するだけでなく、これでハックするイベントもいくつか開催するつもりだ。

    [1] https://typesafe.ai/blog/introducing-system-one-models-and-j...

  5. john_minsk

    超クール。ウェイトリストが早く動くといいな。自分にもユースケースがある。

    あなたが作者ですか？もしそうなら、このシナリオでJevを使う際のメモはありますか？

この日のほかの記事

2026-09-19