Holo4 от Hcompany: экономичные агенты для универсального управления компьютером
Компания Hcompany представила Holo4 — новую серию моделей искусственного интеллекта, способных выполнять сложные задачи на ПК: от наведения мыши и печати до написания и запуска кода. Эти модели разработаны с учетом реальных бизнес-процессов, предлагая конкурентоспособную эффективность на академических бенчмарках при существенно меньших затратах ресурсов по сравнению с закрытыми аналогами.
# Holo4: новый стандарт для агентов, управляющих компьютером
Компания Hcompany объявила о выходе Holo4 — серии агентов, способных взаимодействовать с программным обеспечением через любые доступные интерфейсы: графические элементы управления (GUI), код, протокол MCP и прямые API. В отличие от предыдущих поколений, ориентированных на узкую специализацию, Holo4 универсален: одна и та же модель работает одинаково эффективно как на десктопах, так и в веб-средах или песочницах для разработки.
«Реальная работа не разделена на изолированные зоны. Одна бизнес-задача может требовать сочетания различных подходов к взаимодействию с интерфейсом. Мы создали модель, которая адаптируется под этот хаос, а не пытается его упорядочить».
Модели, работающие везде
Особенностью Holo4 является способность динамически выбирать наиболее подходящий способ выполнения задачи. Если требуется манипуляция с элементами интерфейса, агент использует GUI; для автоматизации рутинных процессов он переключается на инструментальные вызовы (tool calling) или работу с API. Большинство существующих агентов обучаются работать только в одной среде, что ограничивает их применимость в комплексных сценариях.
Holo4 доступен в двух конфигурациях на платформе H Models API: * Holo4-27B (плотная модель, 27 миллиардов параметров). * Holo4-35B-A3B (смешанная экспертная модель MoE, 35 миллиардов параметров).
Также был выпущено обновление фреймворка Holotron 3 под названием Holotron4 Nano, которое использует эту же архитектуру обучения для повышения эффективности агентов на базе других фундаментальных моделей.
Конкурентоспособность и стоимость
Эффективность Holo4 была проверена на строгих академических бенчмарках, включая OSWorld 2.0 (тестирование управления операционной системой) и AutomationBench (автоматизация API). Результаты показывают, что модель способна решать сложные задачи, конкурируя с передовыми закрытыми системами, но при этом требует на порядки меньше вычислительных ресурсов.
На бенчмарке OSWorld 2.0 модель Holo4-27B набрала 61,7% правильности ответов. Для сравнения, передовой закрытый Opus 5.5 достиг 81,8%. Модель Holo4-35B-A3B показала результат в 30,9%.
Важно отметить, что эти показатели достигаются при существенно более низкой стоимости за задачу. Оценки затрат основаны на количестве входных и выходных токенов в рамках типичного агентного запуска. В то время как некоторые модели используют максимальные усилия и генерируют сотни тысяч дополнительных токенов, Holo4 достигает цели с меньшим количеством обращений и потребления ресурсов, делая автоматизацию доступной для более широкого круга бизнес-задач.
Сравнение с базовой моделью Qwen
Для демонстрации практической пользы компания провела серию тестов, сравнивая Holo4 с её базовой моделью Qwen 3.8 (версия 27B). Результаты показали значительное преимущество агента в эффективности использования ресурсов:
| Задача | Holo4-27B (вызовов/токенов) | Qwen 3.8 27B (вызовов/токенов) | | :--- | :--- | :--- | | 3D-моделирование (Эйфелева башня в FreeCAD) | 84 / 1.3M | 60 / 1.0M | | 3D-моделирование (Логотип H) | 94 / 1.5M | 118 / 1.9M | | Игровой движок (Pac-Man в Godot) | 68 / 2.4M | 197 / 11.4M |
В задаче создания игры «Пакман» разница最为 показательна: агент Holo4 выполнил задачу в 2,9 раза меньше шагов и в 4,7 раза дешевле по вычислительной стоимости, чем базовая модель, несмотря на сложность логики управления игровым процессом без вмешательства человека.
Архитектура и обучение: как это работает
Основа успеха Holo4 — уникальный подход к обучению, основанный на данных из Agentic Task Factory (Фабрики агентских задач). Эта внутренняя система способна генерировать тысячи интерактивных сред и верифицируемых задач исключительно на основе документации, скриншотов веб-приложений и описаний открытого ПО.
На данный момент фабрикой создано около 10 000 задач в различных средах, включая веб-приложения, серверы MCP и графические интерфейсы. Обучение проводилось в два этапа: 1. Обучение с учителем: Агенты учились выполнять задачи на основе предоставленных примеров. 2. Обучение с подкреплением (Reinforcement Learning): Система использовала обратную связь от успешного выполнения задач в реальных симуляциях для тонкой настройки поведения.
Улучшенный фреймворк выполнения
Кроме самих моделей, Hcompany полностью переработала свой фреймворк выполнения задач (Training Harness). Ключевые изменения затронули: * Надежная память: Агент получил способность сохранять контекст действий на протяжении сотен шагов, что критически важно для сложных сценариев, где необходимо помнить начальные условия после выполнения промежуточных действий. * Прямой доступ к терминалу: Была внедрена оболочка на уровне самого рабочего стола, позволяющая агенту выполнять системные команды. * Анализ ошибок: В процесс внедрена система, автоматически помечающая причины неудач при выполнении задач, что позволило инженерам оперативно дорабатывать алгоритмы.
Запуск и доступ
Полные веса моделей Holo4-27B и Holo4-35B-A3B уже доступны для скачивания на платформе Hugging Face. Форматы включают BF16, FP8, NVFP4 и квантованные GGUF (4-битная версия), что позволяет запускать модели как на облачных серверах, так и на локальных устройствах с ограниченными ресурсами. В ближайшем будущем планируется публикация оптимизированных контрольных точек DSpark для ускорения вывода.
Данные траектории выполнения задач (лог действий агентов) также открыты для публичного доступа и анализа, что способствует развитию сообщества и улучшению стандартів прозрачности в области агентного ИИ.
Holo4 демонстрирует, что эффективный ИИ для управления компьютером не требует гигантских затрат на инференс. Сочетание качественных данных из симуляции и умной архитектуры обучения позволяет создавать инструменты, которые готовы к реальной работе в условиях разнообразия современного программного ландшафта.