H Company lanserer Holo4, modeller med åpne vekter for datamaskinagenter

H company lanserte 28. september 2026 Holo4, selskapets nye serie med agentbaserte modeller for datamaskinbruk, i størrelsene 27B dense og 35B-A3B Mixture of Experts, med åpne vekter på Hugging Face og tilgang via API. Selskapet oppgir at 27B-modellen oppnår 85,2 % i OSWorld-referansetesten til en kostnad på 0,08 dollar per oppgave.

Modellutvalg og tilgjengelighet

Ifølge selskapet samhandler Holo4 med programvare gjennom ethvert tilgjengelig grensesnitt: grafiske brukergrensesnitt, kode, MCP og API-er. Modellen klikker og skriver på en skjerm, skriver og kjører sin egen kode og kaller MCP- eller API-verktøy, og velger den fremgangsmåten som passer oppgaven. Den samme modellen kjører på datamaskiner, på nettet, på Android, i en kode-sandkasse og mot forretnings-API-er, og den kalles på samme måte i hvert tilfelle uten at brukeren må velge en annen modell for hver plattform.

Begge størrelsene er tilgjengelige i H Models API, og vektene er publisert på Hugging Face i formatene BF16, FP8, NVFP4 og 4-bit GGUF. Sammen med Holo4 lanserte selskapet også Holotron4 Nano, en oppdatert versjon av Holotron 3.

Modellkortet for Holo4-27B beskriver modellen som en syns- og språkmodell med 27 milliarder parametere, bygget på den tette Qwen3.8-arkitekturen, med en maksimal kontekstlengde på 262 144 tokener og målmiljøer som omfatter nett, datamaskin og mobil. Kortet oppgir at vektene er tilgjengelige under den ikke-kommersielle lisensen CC BY-NC 4.0, og beskriver bruk med selskapets hai-agents-harness, som sender skjermbilder og verktøyresultater til modellen og utfører klikkene, inntastingen, koden og verktøykallene modellen ber om.

Selskapets innlegg i nyhetsrommet fører opp Holo4-35B-A3B under Apache 2.0 til 0,30 dollar per million inndatatokener, 0,03 dollar per million bufrede tokener og 2,00 dollar per million utdatatokener, med 262K kontekst. Holo4-27B er oppført som kun til forskning til 0,40 dollar for inndata, 0,04 dollar for bufrede tokener og 3,00 dollar for utdata per million tokener, også med 262K kontekst.

Rapporterte referanseresultater og kostnad per oppgave

Selskapets referansetabell oppgir Holo4 27B til 85,2 % i OSWorld med en kostnad på 0,08 dollar per oppgave og Holo4 35B-A3B til 80,8 % til 0,05 dollar, mot 84,3 % til 0,22 dollar for Qwen3.8 27B, som 27B-modellen bygger på. De oppførte resultatene for ledende modeller i OSWorld er 86,0 % for Fable 5, 78,7 % for GPT-5.5 og 86,1 % for Qwen3.8 Max.

I OSWorld 2.0, som dekker lange datamaskinarbeidsflyter, rapporterer selskapet en poengsum på 61,7 % og en suksessrate på 41,5 % for Holo4 27B til 1,22 dollar per oppgave, og 30,9 % for Holo4 35B-A3B til 0,61 dollar. Tabellen oppgir Opus 5.5 til 81,8 % og 8,48 dollar per oppgave, GPT-6 Astra til 73,5 % og 9,07 dollar og Qwen3.8 27B til 48,0 % og 3,49 dollar. Selskapet sier at Holo4 på lange arbeidsflyter bare ligger bak de sterkeste lukkede modellene, og at den gjør det med flere størrelsesordener færre parametere og til en langt lavere kostnad.

I AutomationBench, en referansetest for forretningsautomatisering, er de rapporterte resultatene 45,4 % til 0,05 dollar per oppgave for Holo4 27B og 34,5 % til 0,02 dollar for 35B-A3B. Selskapet bemerker at 480 av de 600 oppgavene i det offentlige v1.0.6-settet inngår i delen som det samlet treningsdata fra; på de 120 tilbakeholdte oppgavene rapporterer det 49,3 % for 27B-modellen og 31,7 % for MoE-modellen. Det sier at resultatene fra det private settet vil bli publisert når Holo4 er evaluert på det offisielle private settet.

Tabellen rapporterer også resultater på 44,1 % for 27B-modellen og 30,9 % for MoE i ALE-CLI, Linux-delen med 105 oppgaver i referansetesten Agents’ Last Exam, samt AndroidWorld-resultater på 85,1 % og 77,6 %. På interne evalueringsoppgaver fra Agentic Task Factory, som selskapet sier ikke ble brukt i trening, oppnår 27B-modellen 80,2 % på nettoppgaver, 89,4 % på MCP og 72,0 % på datamaskinoppgaver.

Selskapet oppgir at tallene for Holo4 kommer fra dets egen harness, som et gjennomsnitt av to til fire kjøringer, med én enkelt kjøring i OSWorld 2.0 og ALE-CLI, mens sammenligningsresultatene kommer fra modellkort, offisielle resultatlister og leverandørenes diagrammer med ulike harnesses og innsatsnivåer. Det har gjort alle forløpene bak de offentlige referanseresultatene tilgjengelige som åpen kildekode; de kan spilles av gjennom en egen visningsløsning og lastes ned som et Hugging Face-datasett.

Treningsforløp, Holotron4 Nano og neste trinn

Holo4 ble trent gjennom veiledet finjustering og forsterkningslæring på miljøer og oppgaver, blant annet oppgaver som ble generert av selskapets Agentic Task Factory, et internt sett med prosesser som bygger interaktive miljøer og verifiserbare oppgaver utelukkende fra dokumentasjon, for eksempel skjermbilder av virkelige nettsteder eller programvare med åpen kildekode. Selskapet sier at fabrikken så langt har produsert omkring 10 000 oppgaver, omtrent 4 000 av dem for nettapper og rundt 3 000 hver for MCP-servere og datamaskinmiljøer, inkludert hybridmiljøer som gjør den samme tilstanden tilgjengelig gjennom et grafisk brukergrensesnitt og MCP.

Den veiledede finjusteringen brukte 127 milliarder tokener, hvorav rundt tre firedeler var vellykkede agentbaserte forløp fordelt på datamaskin (45 %), nett (14 %), MCP og API (12 %) og mobil (3 %). Resten omfattet multimodal resonnering, forankring i grafiske brukergrensesnitt samt tekstbasert verktøybruk og programmering. Asynkron nettbasert forsterkningslæring på oppgaver med lang tidshorisont trente deretter to spesialiserte LoRA-eksperter, én for datamaskin og nett og én for terminal, MCP og API. De ble slått sammen med den finjusterte modellen med lik vekt og uten ytterligere trening.

Selskapet bygget også opp harnessen på nytt, sløyfen som utfører modellens handlinger og håndterer konteksten gjennom hundrevis av trinn, ved hjelp av tilbakemeldinger fra agentbasert ytelse i OSWorld 2.0. I denne prosessen merket agentene hvorfor hver oppgave mislyktes, og ingeniørene gjennomgikk rettelsene deres; de største endringene var et pålitelig minne som kan holde oversikt over hundrevis av trinn, og et skall på selve datamaskinen.

Som medlem av NVIDIA Nemotron Coalition brukte H company den samme ettertreningspakken på Nemotron 3 Nano Omni for å lage Holotron4 Nano. Selskapet rapporterer absolutte økninger i prosentpoeng sammenlignet med grunnmodellen på fem referansetester: OSWorld fra 21,0 til 76,3, OSWorld 2.0 fra 0,2 til 7,9, AutomationBench fra 19,4 til 35,6, PinchBench fra 84,7 til 88,6 og ALE Linux fra 0,6 til 8,5. Det sier at forbedringene viser at metoden kan overføres mellom grunnmodeller og ikke er knyttet til en bestemt størrelse.

Selskapet sa at det i dagene etter kunngjøringen vil publisere optimaliserte DSpark-drafter-sjekkpunkter for å øke inferenshastigheten ytterligere.