Holo4 spojuje obrazovku, kód a API, ale benchmarky běží na různých tratích

H Company vydala rodinu Holo4 ve dvou velikostech: hustý model 27B a Mixture of Experts 35B-A3B. Oba modely pracují s GUI, kódem, MCP a API a mají podle typu úlohy přecházet mezi těmito rozhraními. Firma zpřístupnila váhy ve formátech BF16, FP8, NVFP4 a 4bitovém GGUF a nabízí také H Models API.

Na OSWorld 2.0 uvádí Holo4 27B skóre 61,7 %, zatímco u Claude Opus 5.5 cituje 81,8 %. Varianta 35B-A3B dosáhla 30,9 %. H Company zároveň zveřejnila trajektorie za svými výsledky na veřejných benchmarcích, takže lze procházet jednotlivé kroky místo samotného konečného čísla.

Jeden model si vybírá mezi klikáním, shellem a API

Podstatou Holo4 není jen ovládání obrazovky. Model může kliknout v aplikaci, napsat a spustit kód nebo použít strukturovaný nástroj. To lépe odpovídá firemním workflow, kde část práce vede přes webové rozhraní, část přes interní API a část přes lokální soubory.

Tréninková infrastruktura podle firmy vytvořila přibližně 10 000 úloh napříč webovými aplikacemi, MCP servery a desktopem. H Company také přepracovala harness tak, aby agent udržel paměť přes stovky kroků a měl shell přímo na ovládaném počítači.

Otevřené trajektorie jsou cennější než další osamělé skóre

Pro vývojáře je možnost přehrát kroky praktická. Ukáže, zda model úlohu vyřešil robustně, nebo jen šťastně prošel konkrétní cestou. Pomáhá také rozlišit schopnost modelu od práce, kterou odvádí harness, paměť a nástroje kolem něj.

Tady leží skutečný přínos releasu: týmy mohou zkoumat selhání a upravit vlastní prostředí. Samotné open weights bez reprodukovatelného běhu by pro dlouhé agentní úlohy nabízely mnohem méně.

Cenové grafy míchají odlišné běhy a sady úloh

H Company výslovně upozorňuje, že vydání benchmarků, harnessy a podmnožiny úloh se liší. U AutomationBench jsou výsledky Holo4 měřené v interním harnessu na veřejné sadě, zatímco některé srovnávané modely používají údaje ze soukromé sady. Cenové odhady navíc vycházejí z různých ceníků a předpokladů o cache.

To z výsledků nedělá bezcenná čísla. Znamená to, že tvrzení o poměru ceny a výkonu zatím není čistý závod na stejné dráze.

Reprodukce mimo firemní harness ukáže přenos do praxe

Rozhodující budou nezávislé běhy na stejné verzi OSWorld 2.0, se stejnými úlohami a zveřejněnými náklady. Stejně důležité bude sledovat úspěšnost na interních aplikacích, kde se mění UI, oprávnění a stav během stovek kroků.

Pokud komunita zopakuje zveřejněné trajektorie a dosáhne podobných výsledků, Holo4 nabídne užitečný základ pro agenty ovládající více rozhraní. Pokud se výkon rozpadne mimo firemní harness, nejcennější částí releasu zůstanou data a postupy kolem modelu.

Lilithin verdikt

Holo4 přinesl k mapě i záznam celé cesty, což je u agentů vzácnější než další medaile z benchmarku. Teď musí cizí řidiči projet stejnou trasu bez firemního navigátora.