Holo4: забезпечення роботи універсальних агентів для роботи з комп’ютером

Назад до статей

Holo4: основа універсальних агентів для роботи з комп’ютером

Команда Стаття

Опубліковано 28 вересня 2026 року

Підтримати

Emrick Sinitambirivoutin

Holo4 — наша нова серія агентних моделей. Вона представлена у двох розмірах: щільна модель 27B і Mixture of Experts 35B-A3B. Обидві доступні через API H Models. Ми також випускаємо оновлену версію Holotron 3: Holotron4 Nano.

Holo4 розвиває нашу попередню модель і взаємодіє з програмним забезпеченням через будь-який доступний інтерфейс: графічні інтерфейси, код, MCP та API. Вона добре показує себе на академічних бенчмарках, але ми створювали її для реальних бізнес-процесів. Модель навчалася за допомогою контрольованого та підкріплювального навчання на великому наборі середовищ і завдань, зокрема згенерованих нашою Agentic Task Factory.

Почніть користуватися вже зараз:

🤖 Моделі: Holo4-27B | Holo4-35B-A3B | Holotron4 Nano
🗂️ Повна колекція (FP16, FP8, GGUF): Holo4
🎞️ Траєкторії: переглядач | набір даних
⚡ API H Models: короткий посібник
📝 Повна публікація в блозі: hcompany.ai/newsroom/holo4

Моделі для будь-якого інтерфейсу

Holo4 натискає й вводить текст на екрані, пише та запускає власний код, а також викликає інструменти MCP або API. Вона використовує те, що найкраще відповідає завданню. Більшість агентних моделей навчаються лише для одного інтерфейсу: моделі, орієнтовані на графічний інтерфейс, нічого не бачать без екрана, тоді як моделі, що віддають перевагу виклику інструментів, безсилі перед застосунком, який не має API. Реальна робота не поділена на такі ізольовані частини, і одне бізнес-завдання може вимагати поєднання різних підходів.

Holo4 працює на десктопах, у вебі, на Android, у пісочниці коду та з бізнес-API. У кожному випадку це та сама модель, і викликається вона однаково. Вам не потрібно обирати окрему модель для кожної платформи.

Моделі Holo4 значно перевершують свої базові моделі Qwen. Holo4 поступається лише найсильнішим закритим моделям у тривалих робочих процесах: в OSWorld 2.0 Holo4 27B набирає 61,7% проти 81,8% у Opus 5.5, а Holo4 35B-A3B досягає 30,9%. Водночас для цього потрібно на порядки менше параметрів і значно нижча вартість. Ми відкриваємо код кожної траєкторії, що лежить в основі наших результатів на публічних бенчмарках: відтворюйте кожен крок на trajectories.hcompany.ai або завантажуйте їх із Hugging Face.

Конкурентоспроможність із передовими моделями за частину вартості

На найскладніших академічних бенчмарках для керування десктопом (OSWorld 2.0) і використання API (AutomationBench) Holo4 конкурує з передовими моделями, маючи значно нижчу вартість одного завдання.

Примітки до графіків вартості та продуктивності

OSWorld 2.0. Вартість оцінюється на основі вхідних і вихідних токенів кожного агентного запуску. Для Holo4 використано тарифи API H Models (один запуск). Qwen3.8 27B: бал із картки моделі, вартість — на основі токенів нашого запуску за роздрібними цінами Alibaba Cloud. Qwen3.6 35B-A3B: один запуск у нашому середовищі за роздрібними цінами Alibaba Cloud, із кешованими зверненнями за 20% ціни вхідних даних. Дані запуску OpenAI містять результати тестів GPT і Opus із різними рівнями зусиль; інші закриті моделі та моделі з відкритими вагами представлені за даними офіційної таблиці лідерів OSWorld 2.0. Версії, середовища та піднабори завдань відрізняються. Лінія з’єднує недоміновані пари балів і вартості серед закритих моделей; Holo4 виключено.

AutomationBench. Holo4, Qwen3.8 27B і Qwen3.6 35B-A3B: AutomationBench v1.0.6, бали та вартість виміряно в нашому внутрішньому середовищі. Для інших моделей використано бали на публічному наборі з README AutomationBench, а вартість одного завдання — з офіційної таблиці лідерів, яка працює на приватному наборі. Ми повідомимо результати Holo4 на приватному наборі після завершення оцінювання.

ШІ, який виконує роботу

Навчені на середовищах і завданнях із нашої Agentic Task Factory, моделі Holo4 чудово працюють із професійним програмним забезпеченням. Наведені нижче приклади показують Holo4 27B поруч із базовою моделлю Qwen3.8 27B. Однакові запит і середовище для обох моделей.

3D-моделювання · Ейфелева вежа

Створіть 3D-модель Ейфелевої вежі у FreeCAD у масштабі 1 мм до 1 метра, відцентровану відносно початку координат і вирівняну за осями X та Y. Працюйте за цим описом.

Вежа на кожній висоті має квадратний план, а не круглий. Її напівширина, виміряна від центральної осі до кута, становить 62,5 мм на рівні землі, 32,5 мм на висоті 57, 17,5 мм на висоті 115 і 9,35 мм на висоті 276. Між цими висотами напівширина змінюється за плавною кривою, яка різко спадає біля землі й пологіше — вище; це не пряма лінія.

Чотири однакові опори, по одній у кожному квадранті, — це квадратні колони, зовнішній кут яких відповідає цьому профілю. Ширина кожної опори становить 14 мм біля землі й звужується до 4 мм на висоті 276. Опори стоять окремо від землі до першої платформи та зближуються в міру підйому. Простір між ними нічим не заповнений: вежа відкрита, і крізь неї можна дивитися прямо з будь-якого боку.

Три платформи — суцільні квадратні плити, відцентровані на осі: ширина 72 мм і товщина 4 мм на висоті 57; ширина 40 мм і товщина 3 мм на висоті 115; ширина 22 мм і товщина 3 мм на висоті 276.

Щогла від висоти 276 до 324, квадратна, шириною 8 мм біля основи, що звужується до 2 мм на кінці.

Кожна частина має бути замкненим суцільним тілом із ненульовим об’ємом, і жодна частина не може заповнювати простір між опорами.

Holo4 27B (84 виклики, 1,3 млн токенів)

Qwen3.8 27B (60 викликів, 1,0 млн токенів)

3D-моделювання · Логотип H

Створіть у FreeCAD 3D-модель логотипу компанії H: суцільний заповнений диск поруч із блоковою літерою H без зарубок, обидві фігури витягнуті до однакової товщини, мають приблизно однакову висоту й розташовані окремо, щоб не перекриватися, а центр диска перебуває на рівні середини H. Пофарбуйте обидві фігури в чорний.

Holo4 27B (94 виклики, 1,5 млн токенів)

Qwen3.8 27B (118 викликів, 1,9 млн токенів)

Розробка ігор · Pac-Man

Створіть гру в стилі Pac-Man у Godot і залиште її запущеною.

Прямокутний лабіринт зі стінами, розкладеними на сітці, кожен відкритий коридор заповнений крапками. Маркер гравця безперервно рухається коридорами, з’їдаючи кожну крапку, через яку проходить, і отримуючи за неї очко. Три привиди рухаються тими самими коридорами та переслідують гравця. Якщо привид наздоганяє гравця, той втрачає життя, і все повертається до початкової позиції. Рахунок і кількість життів відображаються на екрані.

Ніхто не буде в це грати. Гравець керує сам собою за допомогою простої евристики: на кожному перехресті він прямує до найближчої крапки, якщо тільки поруч немає привида — тоді він віддаляється від нього. Гра має працювати без нагляду й безперервно, без жодного введення з клавіатури.

Коли все працюватиме, запустіть гру й залиште її запущеною.

Holo4 27B (68 викликів, 2,4 млн токенів, 268 рядків)

Qwen3.8 27B (197 викликів, 11,4 млн токенів, 327 рядків)

Як ми створили Holo4

Фабрика агентних завдань

Наш внутрішній набір агентних конвеєрів створює інтерактивні середовища та завдання, які можна перевірити, лише на основі документації, як-от знімків екрана реальних вебсайтів або програмного забезпечення з відкритим кодом. Наразі він створив близько 10 000 завдань для вебзастосунків, MCP-серверів і десктопних середовищ, зокрема гібридних середовищ, які надають доступ до одного стану через графічний інтерфейс і MCP.

Навчання

Середовище виконання

Паралельно з навчанням ми перебудували наше середовище виконання — цикл, який виконує дії моделі та керує її контекстом протягом сотень кроків, — використовуючи зворотний зв’язок від агентних результатів в OSWorld 2.0. Агенти позначали причини невдачі кожного завдання, а інженери перевіряли їхні виправлення. Найбільшими змінами стали надійна пам’ять, яка дає агенту змогу відстежувати сотні кроків, і оболонка безпосередньо на десктопній машині.

Opus 5 (70,2%) і GPT-5.6 Sol (66,2%) використовують часткові винагороди з максимальним рівнем зусиль на офлайн-наборі v2026.08.08 із графіка запуску OpenAI, як і на графіку вартості та продуктивності. Інші контрольні бали взято з карток моделей та офіційної таблиці лідерів. Версії завдань, піднабори та середовища виконання відрізняються.

Holotron4 Nano

Наш стек постнавчання розроблено для адаптації до нових базових моделей і створення агентів, здатних узагальнювати між інтерфейсами та середовищами. Як учасник коаліції NVIDIA Nemotron, ми застосували наш найновіший стек до моделі Nemotron 3 Nano Omni як продовження роботи над Holotron 3.

Той самий рецепт перетворює Nemotron 3 Nano Omni на Holotron4 Nano — універсальну агентну модель, яка значно перевершує базову модель у робочих процесах із графічним інтерфейсом і в середовищах, що надають MCP, API або пісочниці коду.

Покращення — це абсолютні зміни у відсоткових пунктах порівняно з Nemotron 3 Nano Omni.

Ці результати показують, що наш рецепт добре переноситься й може перетворити універсальну модель на агентного експерта. Він не залежить від розміру моделі.

Запустіть її самостійно

Обидва розміри вже доступні через API H Models. Ваги доступні на Hugging Face у форматах BF16, FP8, NVFP4 і 4-бітному GGUF, поруч із нашою малою моделлю Holotron4 Nano.

Найближчими днями ми випустимо оптимізовані контрольні точки укладача DSpark, щоб додатково пришвидшити інференс.