H Company, Bilgisayar Kullanım Ajanları için Açık Ağırlıklı Modeller Holo4’ü Yayınladı

H company, 28 Eylül 2026’da Holo4‘i, yeni ajan bilgisayar kullanım modeli serisini, 27B yoğun ve 35B-A3B Uzman Karışımı boyutlarında, Hugging Face üzerinde açık ağırlıklarla ve API kullanılabilirliğiyle yayınladı. Şirket, 27B modelinin OSWorld benchmark’ında %85.2 puan aldığını ve görev başına $0.08 maliyetle çalıştığını bildiriyor.

Model Serisi ve Kullanılabilirlik

Şirketin açıklamasına göre, Holo4 herhangi bir mevcut arayüz aracılığıyla yazılımla etkileşime girer: grafik kullanıcı arayüzleri, kod, MCP ve API’ler. Bir ekranda tıklar ve yazar, kendi kodunu yazar ve çalıştırır, ayrıca göreve en uygun yaklaşımı seçerek MCP ya da API araçlarını çağırır. Aynı model masaüstü bilgisayarlarda, web’de, Android’de, bir kod sandbox’ında ve işletme API’lerine karşı çalışır ve her durumda aynı şekilde çağrılır; platform başına farklı bir model seçmeye gerek yoktur.

Her iki boyut da H Models API üzerinden kullanılabilir ve ağırlıklar Hugging Face’te BF16, FP8, NVFP4 ve 4-bit GGUF formatlarında yayınlanmıştır. Holo4’ün yanında, şirket Holotron4 Nano’yu da yayınladı; bu, Holotron 3’ün güncellenmiş bir versiyonudur.

Holo4-27B model kartı, modeli Qwen3.8 yoğun mimarisi üzerine inşa edilmiş 27B parametreli görsel-dil modeli olarak tanımlar; maksimum bağlam uzunluğu 262.144 token ve hedef ortamlar web, masaüstü ve mobil kapsar. Kart, ağırlıkların ticari olmayan CC BY-NC 4.0 lisansı altında mevcut olduğunu belirtir ve şirketin hai-agents harness’i ile kullanımını açıklar; bu harness ekran görüntülerini ve araç sonuçlarını modele gönderir ve istenen tıklamaları, yazmayı, kodu ve araç çağrılarını yürütür.

Şirketin basın bülteni, Holo4-35B-A3B’yi Apache 2.0 lisansı altında, girdi token başına milyon başına $0.30, önbelleğe alınmış token başına milyon başına $0.03 ve çıktı token başına milyon başına $2.00 olarak listeler; bağlam 262K’dir. Ayrıca Holo4-27B’yi yalnızca araştırma amaçlı, girdi başına $0.40, önbellek başına $0.04 ve çıktı başına $3.00 milyon token başına olarak, yine 262K bağlamla listeler.

Raporlanan Performans Ölçütleri ve Görev Başına Maliyet

Şirketin benchmark tablosu, Holo4 27B’nin OSWorld’de %85.2 puan aldığını ve görev başına $0.08 maliyetle çalıştığını, Holo4 35B-A3B’nin ise %80.8 puan ve $0.05 maliyetle olduğunu rapor ediyor; temel 27B modeli Qwen3.8 27B ise %84.3 puan ve $0.22 maliyetle. OSWorld üzerindeki listelenen sınır skorları: Fable 5 için %86.0, GPT-5.5 için %78.7 ve Qwen3.8 Max için %86.1.

Uzun bilgisayar iş akışlarını kapsayan OSWorld 2.0’da, şirket Holo4 27B’nin %61.7 puan ve %41.5 başarı oranı ile görev başına $1.22 maliyetle olduğunu, Holo4 35B-A3B’nin ise %30.9 puan ve $0.61 maliyetle olduğunu rapor ediyor. Tablo, Opus 5.5’i %81.8 ve görev başına $8.48, GPT-6 Astra’yı %73.5 ve $9.07, Qwen3.8 27B’yi %48.0 ve $3.49 olarak listeliyor. Şirket, Holo4’ün uzun iş akışlarında yalnızca en güçlü kapalı modellerin gerisinde kaldığını ve bunu çok daha az parametre ve çok daha düşük maliyetle başardığını belirtiyor.

AutomationBench, bir iş otomasyonu benchmark’ında, rapor edilen puanlar Holo4 27B için görev başına $0.05 ile %45.4, 35B-A3B için ise $0.02 ile %34.5’tir. Şirket, kamu v1.0.6 setindeki 600 görevden 480’inin, eğitim verilerini topladığı bölünme içinde yer aldığını belirtiyor; 120 tutulan görevde ise 27B modeli için %49.3 ve MoE modeli için %31.7 rapor ediyor. Şirket, Holo4 resmi özel set üzerinde değerlendirildiğinde özel set sonuçlarını rapor edeceğini söylüyor.

Tablo ayrıca ALE-CLI’de 27B modeli için %44.1 ve MoE için %30.9 puanları; bu, Agents’ Last Exam benchmark’ının 105 görevlik Linux bölümü, ayrıca AndroidWorld puanları %85.1 ve %77.6 olarak rapor ediyor. Şirketin eğitimde kullanılmadığını belirttiği dahili Agentic Task Factory değerlendirme görevlerinde, 27B modeli web görevlerinde %80.2, MCP’de %89.4 ve masaüstünde %72.0 puan alıyor.

Şirket, Holo4’ün verilerinin kendi harness’inden, OSWorld 2.0 ve ALE-CLI’de tek bir çalıştırma ile iki ila dört çalıştırma ortalaması olarak geldiğini, karşılaştırma puanlarının ise farklı harness’ler ve çaba seviyeleri üzerinden model kartları, resmi lider tablolar ve sağlayıcı grafiklerinden alındığını belirtiyor. Kamu benchmark puanlarının arkasındaki tüm trajektörleri açık kaynak olarak yayınladı; bu trajektörler özel bir görüntüleyiciyle tekrar oynatılabilir ve Hugging Face veri kümesi olarak indirilebilir.

Eğitim Boru Hattı, Holotron4 Nano ve Sonraki Adım

Holo4, denetimli ince ayar ve pekiştirmeli öğrenme yoluyla, şirketin Agentic Task Factory’si tarafından oluşturulan ortamlar ve görevler de dahil olmak üzere çeşitli ortam ve görevlerde eğitildi; bu, yalnızca belgelerden, gerçek web sitelerinin ekran görüntüleri veya açık kaynak yazılımlar gibi etkileşimli ortamlar ve doğrulanabilir görevler oluşturan dahili bir boru hattı setidir. Şirket, fabrikanın şu ana kadar yaklaşık 10.000 görev ürettiğini, bunların yaklaşık 4.000’inin web uygulamaları, yaklaşık 3.000’inin MCP sunucuları ve masaüstü ortamları için olduğunu ve aynı durumu GUI ve MCP aracılığıyla sunan hibrit ortamları da içerdiğini belirtiyor.

Denetimli ince ayar, 127B token kullandı; bunların yaklaşık üçte ikisi başarılı ajan trajektörleri olup masaüstü (%45), web (%14), MCP ve API (%12) ve mobil (%3) arasında bölünmüştür; kalan kısmı çok modlu akıl yürütme, GUI temellendirme ve yalnızca metin tabanlı araç kullanımı ve kodlamayı kapsar. Uzun vadeli görevlerde asenkron çevrimiçi pekiştirmeli öğrenme, ardından iki özel LoRA uzmanı eğitti; biri masaüstü ve web için, diğeri terminal, MCP ve API için; bu uzmanlar eşit ağırlıkla ince ayarlı modele geri birleştirildi ve daha fazla eğitim yapılmadı.

Şirket ayrıca, modelin eylemlerini yürüten ve bağlamını yüzlerce adım boyunca yöneten döngü olan harness’ını, OSWorld 2.0’deki ajan performansından gelen geri bildirimleri kullanarak yeniden inşa etti. Bu süreçte, ajanlar her görevin neden başarısız olduğunu etiketledi ve mühendisler düzeltmelerini inceledi; en büyük değişiklikler, yüzlerce adımı takip edebilen güvenilir bir bellek ve masaüstü makinesinin kendisinde bir kabuk (shell) oldu.

NVIDIA Nemotron Koalisyonu üyesi olarak, H company aynı post‑eğitim yığını Nemotron 3 Nano Omni’ye uygulayarak Holotron4 Nano’yu üretti. Şirket, beş ölçüt üzerinde temel modele göre mutlak puan artışları bildirdi: OSWorld 21.0’dan 76.3’e, OSWorld 2.0 0.2’den 7.9’a, AutomationBench 19.4’ten 35.6’ya, PinchBench 84.7’den 88.6’ya ve ALE Linux 0.6’dan 8.5’e. Bu kazançların, tarifinin temel modeller arasında transfer edilebildiğini ve boyuta özgü olmadığını gösterdiğini söylüyor.

Şirket, duyurunun ardından gelen günlerde, çıkarımı daha da hızlandırmak için optimize edilmiş DSpark drafter kontrol noktalarını yayınlayacağını söyledi.