Holo4: линейка мультиинтерфейсных ИИ-агентов для реальных задач

Подробности изложены в материале первоисточника. Я подготовил подробный разбор новой линейки агентных моделей Holo4, созданных для полноценного взаимодействия с программным обеспечением через самые разные интерфейсы. Линейка включает две конфигурации — плотную модель на 27 млрд параметров и Mixture of Experts на 35 млрд с активными 3 млрд, доступные через H Models API, а также обновленную компактную версию Holotron4 Nano.

Как отмечает разработчик, эти решения создавались не просто для сдачи академических тестов, а для решения реальных бизнес-задач. Модели обучались с применением методов обучения с подкреплением и контролируемого обучения на огромном массиве пользовательских сред.

Модели, созданные для работы с любыми интерфейсами

Новые агенты способны кликать мышкой и вводить текст в графических интерфейсах, писать и исполнять собственный программный код, а также задействовать API и протоколы MCP. В отличие от узкоспециализированных систем, которые привязаны исключительно к экрану или строго к программным инструментам, Holo4 адаптируется под требования конкретной задачи. Я обратил внимание, что модель одинаково эффективно функционирует в веб-среде, на ПК, в операционной системе Android, песочницах кода и при обращении к корпоративным API без необходимости переключаться между разными архитектурами.

Базируясь на архитектуре Qwen, новые решения демонстрируют колоссальный прирост производительности. На сложном бенчмарке OSWorld 2.0 версия Holo4 27B набирает 61,7%, уступая лишь закрытым флагманам вроде Opus 5.5, но при этом оперирует значительно меньшим количеством параметров и требует существенно меньших затрат на вычисления.

Конкуренция с лидерами рынка при минимальных затратах

В ходе тестов на наиболее требовательных бенчмарках для управления рабочим столом (OSWorld 2.0) и использования API (AutomationBench) семейство Holo4 навязывает борьбу ведущим моделям индустрии. При этом экономическая эффективность выполнения задач выходит на первый план благодаря оптимизированному потреблению токенов.

При оценке затрат учитываются входные и выходные токены каждого запуска агента. В то время как классические закрытые системы требуют огромных бюджетов, открытые веса и продуманная инфраструктура H Models API позволяют существенно снизить порог входа для бизнеса.

Искусственный интеллект, который выполняет реальную работу

Благодаря тренировке на окружениях из Agentic Task Factory, модели демонстрируют выдающиеся результаты в профессиональном софте. Я изучил несколько показательных примеров сравнения базовой Qwen3.8 27B и новой Holo4 27B в одинаковых условиях.

3D-моделирование: Эйфелева башня

Перед ИИ ставилась задача построить точную трехмерную модель Эйфелевой башни в среде FreeCAD в масштабе 1 к 1, соблюдая строгие геометрические параметры: квадратную форму сечения на всех уровнях, сужение четырех ног к центру, наличие трех платформ и специальной мачты на вершине. При этом конструкция должна оставаться открытой и полой внутри. В ходе выполнения Holo4 27B затратил 84 вызова и 1,3 млн токенов, тогда как базовая Qwen3.8 27B справилась за 60 вызовов и 1,0 млн токенов, однако итоговая стабильность и точность построения у новой специализированной модели оказались выше.

3D-моделирование: логотип компании H

Вторая задача заключалась в создании объемного логотипа в FreeCAD, состоящего из сплошного плоского диска и заглавной буквы H без засечек, выровненных по толщине и высоте без наложения друг на друга. Здесь Holo4 27B потребовалось 94 вызова и 1,5 млн токенов, в то время как базовая версия израсходовала 118 вызовов и 1,9 млн токенов, показав меньшую эффективность в управлении контекстом.

Геймдизайн: создание Pac-Man

В рамках симуляции разработки игры в движке Godot агент должен был запрограммировать классический аркадный лабиринт с движущимися призраками, съедобными точками, логикой подсчета жизней и автономным поведением главного героя по простому эвристическому алгоритму. Holo4 27B успешно завершила задачу за 68 вызовов, обработав 2,4 млн токенов и написав 268 строк кода, в то время как базовая Qwen3.8 27B совершила 197 вызовов, потратила 11,4 млн токенов и сгенерировала 327 строк кода.

Как создавались модели Holo4

Инженеры компании разработали собственную фабрику агентных задач, которая автоматически формирует интерактивные среды и проверяемые задания исключительно на основе документации, скриншотов или открытого кода. На данный момент создано порядка 10 000 таких сценариев.

Обучение и улучшение рабочего цикла

Параллельно с тренировкой весов была полностью переработана управляющая петля (harness), отвечающая за выполнение действий агента и удержание контекста на протяжении сотен шагов. Эксперты проанализировали тысячи неудачных запусков на OSWorld 2.0. Главными нововведениями стали внедрение надежной долговременной памяти и предоставление агенту полноценного доступа к командной строке десктопного окружения.

Holotron4 Nano

Посттренировочный стек разработчиков адаптирован под новые базовые архитектуры. Воспользовавшись статусом участника коалиции NVIDIA Nemotron, создатели применили свой метод к модели Nemotron 3 Nano Omni, получив в результате универсального агента Holotron4 Nano.

Полученные улучшения наглядно доказывают универсальность созданного пайплайна: рецепт обучения успешно переносится на сторонние архитектуры, превращая обычную базовую модель в специализированного эксперта по работе с графическими интерфейсами, API и кодом независимо от исходного размера сети.

Как запустить модели самостоятельно

Обе конфигурации семейства уже доступны разработчикам через H Models API. Веса моделей опубликованы на Hugging Face в форматах BF16, FP8, NVFP4 и 4-битном GGUF рядом с компактным решением Holotron4 Nano.

В ближайшие дни команда также планирует выпустить оптимизированные чекпойнты DSpark drafter, которые позволят дополнительно ускорить генерацию и снизить задержки при инференсе.