Holo4：赋能通用型计算机使用智能体

📌 One-Sentence Summary

H Company 发布 Holo4，这是一系列开源权重的智能体模型（27B 和 35B-A3B），旨在通过多种接口（GUI、代码、MCP、API）与软件交互，以显著更低的成本在复杂任务上实现前沿级性能。

📝 Summary

H Company 推出 Holo4，这是一个新的通用型计算机使用智能体家族，提供 27B 稠密模型和 35B-A3B 混合专家（MoE）两种变体。与依赖单一接口的专用模型不同，Holo4 在统一的模型架构中无缝集成了 GUI 交互、代码执行、MCP 工具调用和 API 使用。该模型利用其「Agentic Task Factory」生成的约 10，000 个任务，通过监督微调和强化学习进行训练，在 OSWorld 2.0 和 AutomationBench 等基准测试中展现出与闭源前沿模型相当的竞争力，但参数量和成本却低几个数量级。此次发布还包括用于复现的完整轨迹数据集，以及更新的小型模型 Holotron4 Nano，后者将相同的后训练方案应用于 NVIDIA 的 Nemotron 3 Nano Omni 基础模型。

💡 Main Points

Holo4 将多接口能力（GUI、代码、MCP、API）统一到一个模型中。

大多数智能体模型按接口类型相互隔离；Holo4 能够动态选择最适合任务的交互方式，使其无需多个独立模型即可处理需要在点击按钮、编写脚本和调用 API 之间切换的真实世界工作流。

以显著更低的成本在复杂桌面任务上实现具有竞争力的前沿性能。

在 OSWorld 2.0 上，Holo4 27B 得分为 61.7%，而 Opus 5.5 为 81.8%，但 Holo4 使用的参数少得多，且每任务运行成本仅为后者的一小部分，使得高性能自动化更加普及。

训练利用自动化的「Agentic Task Factory」生成多样化环境。

该模型基于从文档和截图中生成的约 10，000 个可验证任务进行训练，涵盖 Web、桌面和混合环境，确保其在不同软件生态系统中的鲁棒性，而非过拟合于特定应用。

Holotron4 Nano 证明了后训练方案的可迁移性。

通过将相同的训练栈应用于 NVIDIA 的 Nemotron 3 Nano Omni，H Company 创建了一个更小、更高效的智能体，相比其基础模型显示出显著提升，证明该方法论不依赖于模型规模，并能适应新的基础模型。

💬 Key Quotes

真实工作并非如此孤立，单个业务任务可能需要结合这些不同的方法。

我们开源了公共基准测试得分背后的每一条轨迹：可在 trajectories.hcompany.ai 重放每一步，或从 Hugging Face 下载。

这些提升表明我们的方案具有良好的迁移性，能将通用模型转化为智能体专家。其中没有任何部分依赖于模型规模。

📊 Article Meta

AI Screening： 88

Source： Hugging Face - Blog

Author： Tony Wu, maxime, Frederic Renard, Vincent Coyette, Emrick Sinitambirivoutin, Avshalom Manevich, Antonio Loison, Antoine Bonnet, Maxime Langevin, Aleix Cambray (H-AI), Mats L. Richter, Michael Eickenberg, Sławek Mucha, Matthias Brunel

Category： 人工智能

Language： 英文

Read Time： 6 min

Word Count： 1415

Tags：

AI 与智能应用 , AI Agent , 开放权重模型 , 模型发布 , MCP协议