H Company випускає Holo4, моделі з відкритими вагами для агентів, що використовують комп’ютер

H company випустила Holo4, свою нову серію агентних моделей для використання комп’ютера, 28 вересня 2026 року, у розмірах 27B dense та 35B-A3B Mixture of Experts, з відкритими вагами на Hugging Face та доступністю через API. Компанія повідомляє, що модель 27B набирає 85,2 % на бенчмарку OSWorld при $0.08 за завдання.

Лінійка моделей та доступність

За словами компанії, Holo4 взаємодіє з програмним забезпеченням через будь‑який доступний інтерфейс: графічні інтерфейси користувача, код, MCP та API. Вона клацає та вводить текст на екрані, пише та запускає власний код і викликає інструменти MCP або API, обираючи підхід, який найкраще підходить для завдання. Та сама модель працює на настільних комп’ютерах, у веб‑середовищі, на Android, у пісочниці коду та проти бізнес‑API, і викликається однаково в кожному випадку, без потреби вибирати іншу модель для платформи.

Обидва розміри доступні через API H Models, а ваги опубліковані на Hugging Face у форматах BF16, FP8, NVFP4 та 4‑бітному GGUF. Поряд з Holo4 компанія також випустила Holotron4 Nano, оновлену версію Holotron 3.

У карта моделі Holo4-27B модель ідентифікується як 27‑мільярд‑параметрична модель зору‑мова, побудована на щільній архітектурі Qwen3.8, з максимальною довжиною контексту 262 144 токенів та цільовими середовищами, що охоплюють веб, настільні та мобільні платформи. У картці зазначено, що ваги доступні за недобровільною ліцензією CC BY‑NC 4.0 і описано використання з гачком компанії hai‑agents, який надсилає скріншоти та результати інструментів до моделі та виконує запитані нею кліки, вводи, код і виклики інструментів.

У повідомлення в новинному центрі компанії зазначено Holo4-35B-A3B під ліцензією Apache 2.0 за $0.30 за мільйон вхідних токенів, $0.03 за мільйон кешованих токенів та $2.00 за мільйон вихідних токенів, з контекстом 262 К. Holo4-27B зазначено лише для досліджень за $0.40 за вхід, $0.04 за кеш та $3.00 за вихід за мільйон токенів, також з контекстом 262 К.

Звітні бенчмарки та вартість за завдання

У таблиці бенчмарків компанії зазначено, що Holo4 27B досягає 85,2 % на OSWorld при вартості $0.08 за завдання, а Holo4 35B-A3B — 80,8 % при $0.05, у порівнянні з 84,3 % при $0.22 для Qwen3.8 27B, базової 27‑мільярд‑моделі. На передовій OSWorld вказані результати 86,0 % для Fable 5, 78,7 % для GPT‑5.5 та 86,1 % для Qwen3.8 Max.

У OSWorld 2.0, який охоплює довгі комп’ютерні робочі процеси, компанія повідомляє, що Holo4 27B досягає 61,7 % балу та 41,5 % успішності при $1.22 за завдання, а Holo4 35B-A3B — 30,9 % при $0.61. У таблиці зазначено Opus 5.5 з 81,8 % та $8.48 за завдання, GPT‑6 Astra з 73,5 % та $9.07, і Qwen3.8 27B з 48,0 % та $3.49. Компанія стверджує, що Holo4 відстає лише від найсильніших закритих моделей у довгих робочих процесах, і робить це з порядком величини меншою кількістю параметрів та значно нижчою вартістю.

У AutomationBench, бенчмарку бізнес‑автоматизації, зазначені результати — 45,4 % при $0.05 за завдання для Holo4 27B та 34,5 % при $0.02 для 35B-A3B. Компанія зазначає, що 480 із 600 завдань у публічному наборі v1.0.6 входять у поділ, з якого було зібрано навчальні дані; на 120 відкладених завданнях вона повідомляє 49,3 % для моделі 27B та 31,7 % для моделі MoE. Компанія заявляє, що повідомить результати приватного набору після оцінки Holo4 на офіційному приватному наборі.

У таблиці також зазначено результати 44,1 % для моделі 27B та 30,9 % для MoE на ALE‑CLI, 105‑завданому Linux‑розділі бенчмарку Agents’ Last Exam, а також результати AndroidWorld — 85,1 % та 77,6 %. На внутрішніх завданнях оцінки Agentic Task Factory, які, за словами компанії, не використовувалися під час навчання, модель 27B отримує 80,2 % на веб‑завданнях, 89,4 % на MCP та 72,0 % на настільних.

Компанія зазначає, що цифри Holo4 отримані за допомогою власного гачка, як середнє значення за два‑чотири запуску з одним запуском на OSWorld 2.0 та ALE‑CLI, тоді як порівняльні результати беруться з карток моделей, офіційних таблиць лідерів та діаграм провайдерів, що використовують різні гачки та рівні зусиль. Вона відкрила вихідний код усіх траєкторій, що стоять за її публічними бенчмарк‑результатами, їх можна відтворити за допомогою спеціального переглядача та завантажити як набір даних Hugging Face.

Тренувальний конвеєр, Holotron4 Nano та наступний крок

Holo4 була навчена за допомогою контрольованого тонкого налаштування та підкріплювального навчання у середовищах і завданнях, включаючи ті, що створені компанією Agentic Task Factory — внутрішнім набором конвеєрів, які створюють інтерактивні середовища та верифіковані завдання лише з документації, наприклад скріншоти реальних веб‑сайтів або відкритого програмного забезпечення. Компанія зазначає, що фабрика створила близько 10 000 завдань, приблизно 4 000 з них для веб‑додатків і по 3 000 для серверів MCP та настільних середовищ, включаючи гібридні середовища, які демонструють один і той самий стан через GUI та MCP.

Контрольоване тонке налаштування використало 127 млрд токенів, приблизно три чверті з яких — успішні агентні траєкторії, розподілені між настільними (45 %), веб (14 %), MCP та API (12 %) і мобільними (3 %), решта охоплює мультимодальне міркування, прив’язку до GUI та використання інструментів лише у текстовому режимі і кодування. Асинхронне онлайн‑підкріплювальне навчання на довготривалих завданнях потім навчивало два спеціалізованих експерти LoRA: один для настільних та веб‑середовищ, інший для терміналу, MCP та API, які були злиті назад у модель після тонкого налаштування з рівною вагою без подальшого навчання.

Компанія також перебудувала свою оболонку, цикл, який виконує дії моделі та керує її контекстом протягом сотень кроків, використовуючи зворотний зв’язок від агентної продуктивності в OSWorld 2.0. У цьому процесі агенти позначали, чому кожне завдання не вдалося, а інженери переглядали їх виправлення; найбільшими змінами стали надійна пам’ять, яка може відстежувати сотні кроків, та оболонка на самому настільному комп’ютері.

Як член NVIDIA Nemotron Coalition, H company застосувала той самий пост‑тренувальний стек до Nemotron 3 Nano Omni, щоб створити Holotron4 Nano. Компанія повідомляє про абсолютне підвищення у відсоткових пунктах над базовою моделлю за п’ятьма бенчмарками: OSWorld з 21.0 до 76.3, OSWorld 2.0 з 0.2 до 7.9, AutomationBench з 19.4 до 35.6, PinchBench з 84.7 до 88.6 та ALE Linux з 0.6 до 8.5. Вона зазначає, що ці прирости демонструють, що її підхід переноситься між фундаментальними моделями і не залежить від розміру.

Компанія заявила, що випустить оптимізовані контрольні точки DSpark drafter у кілька днів після оголошення, щоб ще більше прискорити інференс.