H Company представила семейство моделей Holo4 для управления компьютером

Компания H Company официально презентовала семейство моделей Holo4, предназначенных для автономных искусственных агентов общего назначения. Новые разработки способны взаимодействовать с интерфейсами ОС, генерировать программный код и выполнять вызовы через API и MCP.

Я подготовил подробный разбор возможностей этих систем, их архитектурных особенностей, результатов бенчмарков и вариантов лицензирования для коммерческого и исследовательского применения.

Что представляет собой архитектура Holo4

Новинка представляет собой специализированную визуально-языковую модель, оптимизированную под задачи компьютерного управления. В линейку вошли две модификации: плотная версия Holo4 27B и архитектура смешения экспертов (Mixture of Experts) Holo4 35B-A3B с тремя активными миллиардами параметров. В качестве базы для первой послужила модель Qwen3.8-27B, тогда как вторая опирается на Qwen3.6-35B-A3B. Обе модификации поддерживают контекстное окно объемом 256K токенов при работе через фирменный интерфейс H Models API.

Обе версии функционируют в связке с открытым связующим каркасом hai-agents. Этот инструмент передает нейросети скриншоты интерфейса и результаты выполнения команд, после чего преобразует их в реальные действия: клики мышью, набор текста, написание кода и вызовы внешних инструментов. Команда разработчиков целиком закрыла распространенный инфраструктурный пробел: чистые GUI-агенты часто бесполезны при отсутствии графической оболочки, а инструменты вызова API пасуют перед приложениями без программных интерфейсов. Модели линейки одинаково эффективно отрабатывают сценарии на десктопах, в веб-среде, на Android, в программных песочницах и бизнес-сервисах.

Варианты развертывания различаются в зависимости от выбранного размера. Версия Holo4 35B-A3B поставляется под свободной лицензией Apache 2.0, позволяя выполнять полноценный коммерческий хостинг локально. В то же время веса модели Holo4 27B распространяются под условиями CC BY-NC 4.0, поэтому ее промышленное задействование осуществляется через облачное API разработчика.

Производительность в бенчмарках: высокая точность при низкой стоимости

Согласно внутренней тестовой таблице создателей, версия Holo4 27B демонстрирует результат 85.2% на бенчмарке OSWorld при затратах всего $0.08 на одну задачу. Для сравнения, базовая модель Qwen3.8 27B набирает 84.3%, но обходится дороже — в $0.22. В среде AndroidWorld младшая версия из семейства показывает 85.1% успешных выполнений.

Продолжительные сценарии и сложные рабочие процессы выявляют существующие технологические разрывы. На усложненном тесте OSWorld 2.0 модификация Holo4 27B набирает 61.7% при стоимости $1.22 за один проход, тогда как Claude Opus 5.5 показывает 81.8% при расходах $8.48. В рамках испытания AutomationBench результат модели составляет 45.4% со стоимостью задачи в $0.05.

Эксперты отмечают, что показатели флагманских решений получены с использованием иных инфраструктурных обвязок и уровней вычислительных затрат. Кроме того, 480 из 600 публичных задач AutomationBench входят в тот пул данных, на котором велось обучение системы. На оставшихся 120 изолированных кейсах модель набирает 49.3%. Все зафиксированные траектории производитель публикует на специализированных ресурсах и платформе Hugging Face.

Технологический процесс создания Holo4

Инженеры применили комплексный подход к разработке, задействовав несколько ключевых этапов сборки и оптимизации.

Agentic Task Factory

Внутренние конвейеры компании автоматически генерируют изолированные окружения и верифицируемые задания, основываясь на проектной документации, скриншотах и реальном программном обеспечении. Фабрика задач создала около 10 000 тестов, включая 4 тысячи веб-приложений, 3 тысячи серверных конфигураций MCP и 3 тысячи десктопных сценариев ОС. Задание допускается в обучающую выборку только в том случае, если строгий верификатор отсекает неточные попытки, а агент успешно решает его через настоящий графический интерфейс.

Обучение и экспертные модули

Массив для контролируемого тонкого дообучения (SFT) насчитывает 127 миллиардов токенов. Примерно три четверти этого объема занимают успешные траектории агентской активности: 45% приходятся на десктопные задачи, 14% — на веб-окружение, 12% — на API и серверы MCP, а 3% отведены под мобильные платформы.

Асинхронное онлайн-обучение с подкреплением задействовало двух экспертов на базе архитектуры LoRA. Первый специалист отвечает за десктопные и веб-приложения, а второй обрабатывает терминальные команды, API и протоколы MCP. На финальном этапе оба эксперта объединяются с равными весовыми коэффициентами без дополнительных тренировочных итераций.

Специалисты полностью переработали цикл работы агента, опираясь на детальный анализ сбоев в OSWorld 2.0. Главными архитектурными апдейтами стали надежная подсистема памяти, сохраняющая контекст на протяжении сотен последовательных шагов, и полноценная командная строка внутри рабочей десктопной машины.

Holotron4 Nano и инфраструктурные альтернативы

Помимо флагманской линейки, разработчики выпустили компактную версию Holo4 Nano, созданную на базе архитектуры NVIDIA Nemotron 3 Nano Omni в рамках инициативы Nemotron Coalition. Подобная комбинация позволяет поднять показатели точности в OSWorld с 21.0% до 76.3% относительно базового состояния модели.

Ценовая политика и развертывание

Коммерческая стоимость использования модели Holo4 27B через облачные мощности составляет $0.40 за миллион входных токенов и $3.00 за миллион выходных. Тарифы для модификации Holo4 35B-A3B составляют $0.30 и $2.00 соответственно. Программный интерфейс совместим со стандартами OpenAI. Открытые веса доступны на страницах Hugging Face в форматах BF16, FP8, NVFP4 и 4-битном GGUF. Создатели официально поддерживают локальный запуск через инструменты vLLM и llama.cpp, а также анонсируют скорый выход вспомогательных чекпоинтов DSpark для ускорения инференса.

Сравнение с конкурентами

Анализ рыночных альтернатив показывает сильные и слабые стороны представленного семейства. Плотная модель на 27 параметров и MoE-версия на 35 миллиардов предлагают открытый доступ к весам при высокой глубине контекстного окна в 256K. В то же время проприетарные решения вроде Claude Opus 5.5 и GPT-6 Astra удерживают лидерство в сложных бенчмарках OSWorld 2.0, но требуют существенно больших финансовых затрат на выполнение каждой отдельной задачи.