Holo4 27B 與 35B-A3B 代理模型發布

TL;DR

Hugging Face 發布了 Holo4 系列——包含一個 27B 密集模型與一個 35B-A3B 混合專家模型（Mixture-of-Experts）——它們能夠跨圖形使用者介面（GUI）、程式碼執行、MCP 與 API 進行操作，在學術基準測試中提供具競爭力的分數，同時成本遠低於同類型的尖端模型。

跨所有介面的統一代理能力

Holo4 旨在根據需要點擊、輸入、編寫程式碼、執行該程式碼，並呼叫 MCP 或 API 工具。與大多數專注於單一互動模式的代理模型不同，Holo4 為每個子任務使用最合適的介面，使其能夠處理結合 GUI 操作、工具呼叫與程式碼執行的真實商業工作流程。同一個模型可以在桌面、網頁瀏覽器、Android 裝置、程式碼沙盒以及針對商業 API 進行部署，而無需切換模型。

低成本下的競爭性基準測試表現

Holo4 基於 Qwen 基礎模型構建，並展現了顯著的改進。在 OSWorld 2.0 基準測試中，27B 版本得分為 61.7%（相較於閉源 Opus 5.5 的 81.8%），而 35B-A3B 版本達到了 30.9%。儘管絕對分數較低，但 Holo4 以少得多的參數數量與更低的單任務成本實現了這些結果。OSWorld 2.0 與 AutomationBench 的成本效能圖表顯示，Holo4 在 H Models API 上的 Token 計費價格低於 Qwen 3.8 27B、Qwen 3.6 35B-A3B 以及領先的閉源模型。

真實世界的專業軟體任務

Holo4 是在由內部 Agentic Task Factory 生成的約 10,000 個任務上進行訓練的，涵蓋了網頁應用程式、MCP 伺服器與桌面環境。在與其 Qwen 3.8 27B 基礎模型的直接比較中，Holo4 在完成複雜任務時始終需要更少的呼叫次數與更少的 Token，例如：

  • 在 FreeCAD 中進行艾菲爾鐵塔的 3D 建模 – 84 次呼叫 / 1.3 M tokens (Holo4) 對比 60 次呼叫 / 1.0 M tokens (Qwen)。
  • 在 FreeCAD 中建立 H-company 標誌 – 94 次呼叫 / 1.5 M tokens (Holo4) 對比 118 次呼叫 / 1.9 M tokens (Qwen)。
  • 在 Godot 中構建 Pac-Man 風格遊戲 – 68 次呼叫 / 2.4 M tokens (Holo4) 對比 197 次呼叫 / 11.4 M tokens (Qwen)。

這些範例說明了 Holo4 在單一、連貫的工作流程中協調 GUI 互動、程式碼生成與執行的能力。

訓練管線與 harness 改進

Agentic Task Factory 生成了訓練資料，將文件與螢幕截圖轉換為互動式環境與可驗證的任務。Holo4 在 127 B tokens 上進行了監督式微調，隨後從兩個專家 RL 策略中進行強化學習，最後合併為單一模型。在模型訓練的同時，團隊重建了 harness——即管理數百個步驟中上下文的執行迴圈。關鍵的 harness 升級包括：

  • 一個能夠追蹤數百個步驟的可靠記憶體系統。
  • 桌面機器上的直接 Shell 存取。
  • 來自 OSWorld 2.0 執行的持續回饋，代理會標記失敗，工程師會審查修復方案。

Holotron4 Nano：將配方擴展至 Nemotron 3 Nano Omni

將相同的訓練後堆疊應用於 NVIDIA Nemotron 3 Nano Omni 模型，產生了 Holotron4 Nano，這是一個 30B-A3B 代理模型。五項任務的基準測試顯示，其相較於基礎 Nemotron 模型有絕對百分點的提升，證實了該配方可以跨模型大小與架構進行推廣。

可用性與後續步驟

兩種 Holo4 變體皆已在 H Models API 上線。模型權重以 BF16、FP8、NVFP4 與 4-bit GGUF 格式託管於 Hugging Face，同時還有較小的 Holotron4 Nano。團隊即將發布優化的 DSpark 草稿檢查點（drafter checkpoints）以進一步加速推論。

資源

Sources